Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S1 Sains Data

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Data Warehouse dan Komputasi Terdistribusi

4920203064

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=4.77

4

31 Januari 2024

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Harmon Prayogi, M.Sc.


Dr. Elly Matul Imah, M.Kom.


Yuliani Puji Astuti, S.Si., M.Si.

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-10

Mampu menggunakan teknologi dalam bidang sains data

PLO-12

Mampu merancang dan mengembangkan algoritma untuk berbagai keperluan seperti analisis big data, kecerdasan artifisial, basis data, penambangan data, statistika inferensial, desain dan analisis algoritma, dan data warehouse.

PLO-18

Menguasai konsep teknologi informasi baik dari sisi komputasi maupun manajemen data untuk menyelesaikan masalah sains data

Program Objectives (PO)

Matrik PLO-PO
 
POPLO-10PLO-12PLO-18

Matrik PO pada Kemampuan akhir tiap tahapan belajar (Sub-PO)
 
PO Minggu Ke
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Deskripsi Singkat Mata Kuliah

Data Warehouse dan Komputasi Terdistribusi merupakan mata kuliah yang membahas tentang bagaimana proses perencanaan, pengumpulan, dan pentranformasian data untuk mendukung pengambilan keputusan berdasarkan data (data-driven decision making). Selain itu mata kuliah ini membahas tentang komputasi paralel dan penerapannya pada data warehouse. Melalui mata kuliah ini diharapkan mahasiswa memiliki kemampuan merancang arsitektur data untuk penyelesaian permasalahan yang mendukung dan berkaitan dengan strategi bisnis.

Pustaka

Utama :

  1. Inmon, W.H., 2005. Building the data warehouse. John wiley & sons.
  2. Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.

Pendukung :

  1. Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.
  2. Beaulieu, A., 2020. Learning SQL: Generate, manipulate, and retrieve data. O'Reilly Media.
  3. Taniar, D., Leung, C.H., Rahayu, W. and Goel, S., 2008. High-performance parallel database processing and grid databases. John Wiley & Sons.
  4. Bani, F.C.D. and Girsang, A.S., 2018. Implementation of database massively parallel processing system to build scalability on process data warehouse. Procedia Computer Science, 135, pp.68-79.
  5. Datta, A., VanderMeer, D., Ramamritham, K. and Moon, B., 1998. Applying parallel processing techniques in data warehousing and OLAP.
  6. Wolohan, J., 2020. Mastering Large Datasets with Python: Parallelize and Distribute Your Python Code. Simon and Schuster.
  7. Scott, D., Gamov, V. and Klein, D., 2022. Kafka in Action. Simon and Schuster.
  8. Kumar, M. and Singh, C., 2017. Building Data Streaming Applications with Apache Kafka. Packt Publishing Ltd.

Dosen Pengampu

Ibnu Febry Kurniawan, S.Kom., M.Sc.

Harmon Prayogi, M.Sc.

Minggu Ke-

Kemampuan akhir tiap tahapan belajar
(Sub-PO)

Penilaian

Bantuk Pembelajaran,

Metode Pembelajaran,

Penugasan Mahasiswa,

 [ Estimasi Waktu]

Materi Pembelajaran

[ Pustaka ]

Bobot Penilaian (%)

Indikator

Kriteria & Bentuk

Luring (offline)

Daring (online)

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

1

Minggu ke 1

Mahasiswa mampu memahami konsep-konsep dasar data warehouse.
  1. Memahami apa itu data warehouse.
  2. Memahami perbedaan data warehouse dengan data mining.
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, dan diskusi.
3x50
Materi: Chapter 1
Pustaka: Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.		 2%

2

Minggu ke 2

Mahasiswa mampu memahami konsep-konsep dasar data warehouse.
  1. Mereviu konsep-konsep basis data.
  2. Memahami konsep hierarchies dalam data warehouse.
  3. Memahami konsep measures dalam data warehouse.
 Kriteria:

Aktifitas Partisipasif, Praktik / Unjuk Kerja


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 2-5
Pustaka: Beaulieu, A., 2020. Learning SQL: Generate, manipulate, and retrieve data. O'Reilly Media.		 3%

3

Minggu ke 3

Mahasiswa mampu memahami desain data warehouse.
  1. Memahami desain konseptual.
  2. Memahami desain logikal.
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
3%

4

Minggu ke 4

Mahasiswa mampu memahami konsep dan desain data warehouse.
  1. Memahami data warehouse dan perbedaannya dengan data mining.
  2. Memahami konsep-konsep basis data.
  3. Memahami konsep-konsep data warehouse.
  4. Memahami desain data warehouse secara konseptual dan logikal.
 Kriteria:

Aktivitas Mandiri


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
5%

5

Minggu ke 5

Mahasiswa mampu melakukan restoring database dengan Docker.

Mampu melakukan restoring database dengan Docker.

 Kriteria:

Aktifitas Partisipasif, Praktik / Unjuk Kerja


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
3%

6

Minggu ke 6

Mahasiswa mampu menerapkan operasi-operasi Online Analytical Processing (OLAP)
  1. Memahami dan dapat mengimplementasikan konsep Roll-up.
  2. Memahami dan dapat mengimplementasikan konsep Drill-down.
  3. Memahami dan dapat mengimplementasikan konsep Sort.
  4. Memahami dan dapat mengimplementasikan konsep Pivot.
  5. Memahami dan dapat mengimplementasikan konsep Slice.
 Kriteria:

Aktifitas Partisipasif, Praktik / Unjuk Kerja


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Chapter 3-5
Pustaka: Vaisman, A. and Zimányi, E., 2014. Data warehouse systems. Data-Centric Systems and Applications. Springer.		 3%

7

Minggu ke 7

Mahasiswa mampu mengimplementasikan multidimensional expressions (MDX) di dalam Atoti.
  1. Melakukan kueri pada data cube.
  2. Melakukan kueri pada data cube menggunakan SQL.
 Kriteria:

Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
3%

8

Minggu ke 8

Ujian Tengah Semester

Melakukan MDX kueri pada database tertentu.

 Kriteria:

Aktifitas Partisipasif, Praktik / Unjuk Kerja, Penilaian Hasil Project / Penilaian Produk


Bentuk Penilaian :
Praktik / Unjuk Kerja		 Pembelajaran dilaksanakan secara luring dengan tahapan PJBL sebagai berikut: Mahasiswa mempresentasikan hasil akhir projek yang telah dipresentasikan pada pertemuan sebelumnya.
3x50
15%

9

Minggu ke 9

Mahasiswa mampu mengimplementasikan multidimensional expressions (MDX) di dalam Atoti dengan beberapa datasource.

Memahami proses kueri MDX dari beberapa datasource.

 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
2%

10

Minggu ke 10

Mahasiswa mampu memahami pengantar komputasi terdistribusi.
  1. Mahasiswa mampu menjelaskan konsep-konsep sistem terdistribusi (scale, collaboration, reduced latency, dll.).
  2. Mahasiswa mampu menjelaskan konsep-konsep metrik pada sistem terdistribusi (fault-tolerant, high-availability, dll.).
  3. Mahasiswa mampu memahami konsep remote procedure call (RPC).
  4. Mahasiswa mampu memahami konsep web service.
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
2%

11

Minggu ke 11

Mahasiswa mampu memahami dan menerapkan message queue di dalam sistem terdistribusi.
  1. Memahami dan mengimplementasikan penggunaan Advanced Message Queuing Protocol (AMQP).
  2. Memahami dan mengimplementasikan penggunaan Redis untuk sistem Publish/Subscribe.
  3. Memahami dan mengimplementasikan penggunaan Kafka untuk sistem Publish/Subscribe.
  4. Memahami dan mengimplementasikan penggunaan RabbitMQ broker untuk sistem Publish/Subscribe.
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Aktifitas Partisipasif		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Artikel Ilmiah
Pustaka: Bani, F.C.D. and Girsang, A.S., 2018. Implementation of database massively parallel processing system to build scalability on process data warehouse. Procedia Computer Science, 135, pp.68-79.
Materi: Artikel Ilmiah
Pustaka: Datta, A., VanderMeer, D., Ramamritham, K. and Moon, B., 1998. Applying parallel processing techniques in data warehousing and OLAP.		 3%

12

Minggu ke 12

Mahasiswa mampu memahami dan menerapkan message queue di dalam sistem terdistribusi.
  1. Memahami dan mengimplementasikan penggunaan Advanced Message Queuing Protocol (AMQP).
  2. Memahami dan mengimplementasikan penggunaan Redis untuk sistem Publish/Subscribe.
  3. Memahami dan mengimplementasikan penggunaan Kafka untuk sistem Publish/Subscribe.
  4. Memahami dan mengimplementasikan penggunaan RabbitMQ broker untuk sistem Publish/Subscribe.
  5. Memahami penggunaan Celery.
 Kriteria:

Aktifitas Partisipasif


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
Materi: Artikel Ilmiah
Pustaka: Bani, F.C.D. and Girsang, A.S., 2018. Implementation of database massively parallel processing system to build scalability on process data warehouse. Procedia Computer Science, 135, pp.68-79.
Materi: Artikel Ilmiah
Pustaka: Datta, A., VanderMeer, D., Ramamritham, K. and Moon, B., 1998. Applying parallel processing techniques in data warehousing and OLAP.		 3%

13

Minggu ke 13

Mahasiswa mampu membuat proyek akhir data warehouse.

Memahami langkah-langkah pengerjaan proyek data warehouse.

 Kriteria:

Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pendekatan saintifik, presentasi, tanya-jawab, diskusi, dan pembelajaran berbasis masalah.
3x50
3%

14

Minggu ke 14

Mahasiswa mampu membuat proyek akhir data warehouse.
  1. Mahasiswa mampu mempresentasikan dan mendokumentasikan kemajuan proyek secara lisan dan tertulis.
  2. Mahasiswa membuat diagram swimlane.
 Kriteria:

Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran dilaksanakan secara luring dengan tahapan PJBL sebagai berikut:
Mahasiswa mempresentasikan kemajuan projek.
3x50
10%

15

Minggu ke 15

Mahasiswa mampu membuat proyek akhir data warehouse.
  1. Mahasiswa mampu mempresentasikan dan mendokumentasikan kemajuan proyek secara lisan dan tertulis.
  2. Mahasiswa melakukan konfigurasi message queue (fan-out, channel).
 Kriteria:

Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran dilaksanakan secara luring dengan tahapan PJBL sebagai berikut:
Mahasiswa mempresentasikan kemajuan projek.
3x50
10%

16

Minggu ke 16

Ujian Akhir Semester
  1. Mahasiswa mampu mempresentasikan dan mendokumentasikan projek secara lisan dan tertulis.
  2. Mahasiswa mendemonstrasikan proyek akhirnya.
 Kriteria:

Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran dilaksanakan secara luring dengan tahapan PJBL sebagai berikut:
Mahasiswa mempresentasikan kemajuan projek.
3x50
30%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 15%
2. Penilaian Hasil Project / Penilaian Produk 57.5%
3. Praktik / Unjuk Kerja 27.5%
100%

Catatan

  1. Capaian Pembelajaran Lulusan Program Studi (PLO - Program Studi) adalah kemampuan yang dimiliki oleh setiap lulusan Program Studi yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.
  2. PLO yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-Program Studi) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.
  3. Program Objectives (PO) adalah kemampuan yang dijabarkan secara spesifik dari PLO yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
  4. Sub-PO Mata kuliah (Sub-PO) adalah kemampuan yang dijabarkan secara spesifik dari PO yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut.
  5. Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.
  6. Kreteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten dan tidak bias. Kreteria dapat berupa kuantitatif ataupun kualitatif.
  7. Bentuk penilaian: tes dan non-tes.
  8. Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.
  9. Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning, Cooperative Learning, Collaborative Learning, Contextual Learning, Project Based Learning, dan metode lainnya yg setara.
  10. Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok bahasan.
  11. Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-PO yang besarnya proposional dengan tingkat kesulitan pencapaian sub-PO tsb., dan totalnya 100%.
  12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.