Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S2 Informatika

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Big Data Analitik

5510003018

Mata Kuliah Pilihan Program Studi

T=3

P=0

ECTS=6.72

3

15 Juli 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Prof. Dr. Lilik Anifah, S.T., M.T.


Dr. Ir. Ricky Eka Putra, S.Kom., M.Kom.


RICKY EKA PUTRA

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-5

Mampu mengaplikasikan keahlian lanjut dalam bidang Informatika, khususnya Sains Data dan Kecerdasan Artifisial, Jaringan Cerdas dan Multimedia, serta Rekayasa Sistem Informatika, sesuai dengan kebutuhan riset, industri, pendidikan, dan masyarakat.

PLO-7

Mampu menganalisis kebutuhan, memformulasikan masalah, dan merancang alternatif solusi terhadap permasalahan kompleks di bidang Informatika dengan menggunakan metode analitis, komputasional, dan berbasis data.

PLO-8

Mampu mengevaluasi kinerja sistem, teknologi, atau solusi informatika berdasarkan data, metrik, eksperimen, dan kebutuhan pengguna/organisasi untuk menghasilkan perbaikan berkelanjutan.

Program Objectives (PO)

PO - 1

Mengaplikasikan keahlian lanjut dalam bidang Sains Data dan Kecerdasan Artifisial untuk mendukung analisis data, pemodelan, prediksi, dan pengambilan keputusan. (CPMK05.1)

PO - 2

Menganalisis kebutuhan, memformulasikan masalah, dan menentukan pendekatan penyelesaian terhadap permasalahan kompleks di bidang Informatika. (CPMK07.1)

PO - 3

Menerapkan metode analitis, komputasional, dan berbasis data untuk menyelesaikan permasalahan dalam bidang Informatika. (CPMK07.2)

PO - 4

Mengevaluasi kinerja sistem, model, teknologi, atau solusi informatika berdasarkan data, metrik, eksperimen, dan kebutuhan pengguna atau organisasi. (CPMK08.1)

Matrik PLO-PO
 
POPLO-5PLO-7PLO-8
PO-1✔  
PO-2 ✔ 
PO-3 ✔ 
PO-4  ✔

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
PO-1✔✔✔✔✔✔
PO-2✔✔✔
PO-3✔✔✔✔
PO-4✔✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Big Data Analitik (3 SKS) membekali mahasiswa dengan kemampuan menganalisis kebutuhan, memformulasikan masalah, dan menentukan pendekatan penyelesaian terhadap permasalahan analitik kompleks berbasis data berskala besar (CPMK07.1); menerapkan metode analitis dan komputasional pada ekosistem big data - meliputi penyimpanan terdistribusi, pemrosesan paralel dengan Apache Spark, data wrangling/ETL, dan analitik streaming (CPMK07.2); mengaplikasikan keahlian lanjut Sains Data dan Kecerdasan Artifisial untuk analitik eksploratif, machine learning skala besar, analitik teks, prediksi deret waktu, dan segmentasi data guna mendukung pengambilan keputusan (CPMK05.1); serta mengevaluasi kinerja model, pipeline, dan sistem analitik berdasarkan data, metrik, eksperimen, dan kebutuhan pengguna atau organisasi (CPMK08.1). Melalui model Project Based Learning, mahasiswa membangun proyek analitik big data end-to-end: dari formulasi masalah, perancangan arsitektur dan pipeline data, implementasi analitik dan pemodelan, hingga evaluasi kinerja dan penyajian hasil dalam bentuk dashboard serta laporan ilmiah.

Pustaka

Utama :

  1. J. Reis and M. Housley, Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA, USA: O'Reilly Media, 2022.
  2. J. S. Damji, B. Wenig, T. Das, and D. Lee, Learning Spark: Lightning-Fast Data Analytics, 2nd ed. Sebastopol, CA, USA: O'Reilly Media, 2020.
  3. A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
  4. W. McKinney, Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.

Pendukung :

  1. I. Alpiana, W. Yustanti, and Y. Yamasari, "Optimization and evaluation of IndoBERT and BiLSTM-BiGRU models for sentiment analysis of e-Layanan Universitas Negeri Surabaya," Journal of Education and Informatics Research, Vol. 6, No. 2, Universitas Trunojoyo Madura, 2025.
  2. E. Yohannes, A. Febriansyah, N. D. Septiyanti, Suparji, A. Wiyono, A. D. Indriyanti, F. Utaminingrum, C-Y. Lin, K. Muchtar, and A. Enkhbat, "Forecasting stock prices with sequential deep learning: A Long Short-Term Memory approach," in Proc. 2025 8th Int. Conf. Vocational Educ. Electr. Eng. (ICVEE), Surabaya, Indonesia, 2025.
  3. A. D. Saputra and W. Yustanti,
  4. Y. Yamasari, A. Qoiriah, N. Rochmawati, A. Prapanca, A. Prihanto, I. M. Suartana, and R. E. Putra,
  5. H. Z. Fahmi, I. G. P. A. Buditjahjanto, A. Hafidz, D. A. Dermawan, I. G. A. S. Sidhimantra, and R. N. Saputra,
  6. T. Mzili, M. Mzili, S. I. Bouderba, A. Abatal, W. Aribowo, and A. K. Arya,
  7. R. Bisma, M. P. Arbaningrum, R. E. Putra, and I. M. Suartana,
  8. M. Vebriani and W. Yustanti, "Klasifikasi deteksi link phising Dana Kaget menggunakan metode Support Vector Machine berbasis website," J. Informatics Comput. Sci. (JINACS), Univ. Negeri Surabaya, 2024.

Dosen Pengampu

Dr. Wiyli Yustanti, S.Si., M.Kom.

Ervin Yohannes, S.Kom., M.Kom., M.Sc., Ph.D.

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 menjelaskan karakteristik big data (volume, velocity, variety, veracity, value), lanskap ekosistem teknologi big data, siklus hidup rekayasa data, serta mengidentifikasi permasalahan organisasi yang layak diselesaikan dengan pendekatan big data analytics.
  1. Ketepatan menjelaskan karakteristik dan ekosistem big data.
  2. Ketajaman identifikasi permasalahan berbasis data.
  3. Kejelasan kandidat domain proyek.
 Kriteria:
  1. Skor rubrik pemahaman konsep dasar minimal 70.
  2. Dokumen kandidat domain dan sumber data proyek terkumpul lengkap.

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Dosen memaparkan RPS, kontrak kuliah, dan gambaran proyek akhir analitik big data; pembahasan karakteristik 5V, perbedaan analitik deskriptif-diagnostik-prediktif-preskriptif, dan siklus hidup data engineering; diskusi kasus pemanfaatan big data di industri, pemerintahan, dan pendidikan; mahasiswa membentuk kelompok proyek dan mengeksplorasi kandidat domain masalah beserta ketersediaan sumber datanya.
3 x 50
Materi: Data Engineering Lifecycle; materi: siklus hidup data, peran analitik, dan ekosistem big data.
Pustaka: J. Reis and M. Housley, Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

2

Minggu ke 2

Mahasiswa mampu memformulasikan masalah analitik dari kebutuhan bisnis/organisasi menggunakan kerangka CRISP-DM, menentukan pertanyaan analitik, metrik keberhasilan, dan pendekatan penyelesaian yang sesuai dengan karakteristik data.
  1. Kejelasan problem statement dan pertanyaan analitik.
  2. Ketepatan metrik keberhasilan.
  3. Kelayakan pendekatan penyelesaian yang dipilih.
 Kriteria:

Proposal mini proyek memperoleh skor rubrik minimal 70 dan disetujui untuk dilanjutkan.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembahasan kerangka CRISP-DM (business understanding hingga deployment) dan teknik menurunkan pertanyaan analitik dari kebutuhan organisasi; workshop penyusunan problem statement, hipotesis analitik, metrik keberhasilan, dan pemilihan pendekatan (batch/streaming, deskriptif/prediktif); setiap kelompok mempresentasikan proposal mini proyek analitik big data beserta justifikasi pendekatannya dan menerima umpan balik.
3 x 50
Materi: Data Generation dan requirements gathering; materi: penurunan kebutuhan analitik dari kebutuhan bisnis.
Pustaka: J. Reis and M. Housley, Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

3

Minggu ke 3

Mahasiswa mampu membandingkan dan menerapkan teknologi penyimpanan data skala besar (HDFS, NoSQL key-value/dokumen/kolom, data warehouse, data lake/lakehouse) sesuai karakteristik data dan pola akses proyeknya.
  1. Ketepatan pemetaan karakteristik data ke teknologi penyimpanan.
  2. Keberhasilan praktik pemuatan dan penataan data.
  3. Kualitas justifikasi arsitektur penyimpanan proyek.
 Kriteria:

Dokumen arsitektur penyimpanan dan bukti praktik memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan arsitektur penyimpanan terdistribusi (HDFS, object storage), taksonomi NoSQL (MongoDB, Cassandra, Redis) beserta trade-off konsistensi-ketersediaan, serta konsep data warehouse, data lake, dan lakehouse; praktik memuat dataset proyek ke penyimpanan terpilih dan merancang skema/partisi data; kelompok mendokumentasikan arsitektur penyimpanan proyeknya beserta justifikasi pemilihan.
3 x 50
Materi: Storage; materi: penyimpanan terdistribusi, NoSQL, data warehouse/lake/lakehouse.
Pustaka: J. Reis and M. Housley, Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

4

Minggu ke 4

Mahasiswa mampu menerapkan pemrosesan data terdistribusi menggunakan paradigma MapReduce dan Apache Spark (RDD, DataFrame, transformasi-aksi, lazy evaluation) untuk mengolah dataset berskala besar.
  1. Pemahaman arsitektur eksekusi Spark.
  2. Keberhasilan praktikum transformasi-agregasi terdistribusi.
  3. Kelayakan pipeline pemrosesan awal proyek.
 Kriteria:

Notebook praktikum Spark dan pipeline awal proyek memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan paradigma MapReduce dan evolusinya ke Spark: arsitektur driver-executor, RDD vs DataFrame, transformasi-aksi, dan lazy evaluation; praktikum PySpark: pembacaan data besar, transformasi, agregasi, dan join terdistribusi; latihan mengukur perbedaan kinerja pemrosesan lokal vs terdistribusi; kelompok mulai membangun pipeline pemrosesan awal untuk data proyeknya.
3 x 50
Materi: Introduction to Spark dan Structured APIs; materi: arsitektur Spark, RDD, dan DataFrame.
Pustaka: J. S. Damji, B. Wenig, T. Das, and D. Lee, Learning Spark: Lightning-Fast Data Analytics, 2nd ed. Sebastopol, CA, USA: O'Reilly Media, 2020.		 5%

5

Minggu ke 5

Mahasiswa mampu melaksanakan proses ETL/ELT dan data wrangling skala besar (penanganan missing value, duplikasi, outlier, normalisasi, feature engineering) dengan Spark SQL serta menilai dan menjaga kualitas data.
  1. Ketepatan teknik pembersihan dan transformasi.
  2. Kelengkapan data quality report.
  3. Kualitas fitur hasil rekayasa untuk analitik lanjut.
 Kriteria:

Data quality report dan dataset bersih proyek memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan proses ETL vs ELT, dimensi kualitas data (akurasi, kelengkapan, konsistensi, ketepatan waktu), dan teknik pembersihan-transformasi pada Spark SQL; praktikum data wrangling dataset kotor berskala besar: profiling, penanganan missing value dan outlier, deduplikasi, dan feature engineering; klinik kualitas data: setiap kelompok mengaudit dan membersihkan dataset proyeknya serta mendokumentasikan data quality report.
3 x 50
Materi: Spark SQL dan data sources; materi: transformasi dan ETL dengan Spark.
Pustaka: J. S. Damji, B. Wenig, T. Das, and D. Lee, Learning Spark: Lightning-Fast Data Analytics, 2nd ed. Sebastopol, CA, USA: O'Reilly Media, 2020.
Materi: Data Cleaning and Preparation; materi: teknik wrangling dan penyiapan data.
Pustaka: W. McKinney, Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

6

Minggu ke 6

Mahasiswa mampu melakukan exploratory data analysis (EDA) pada data berskala besar, memilih teknik agregasi-sampling yang tepat, dan mengomunikasikan temuan melalui visualisasi serta dashboard yang efektif.
  1. Kedalaman eksplorasi dan ketepatan teknik agregasi/sampling.
  2. Kejelasan dan kejujuran visualisasi.
  3. Kebermaknaan temuan EDA bagi pertanyaan analitik proyek.
 Kriteria:

Laporan EDA dan dashboard eksploratif memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan strategi EDA pada data besar (agregasi, sampling, binning) dan prinsip visualisasi yang efektif serta jujur; praktik eksplorasi statistik deskriptif, distribusi, korelasi, dan pola temporal pada data proyek; pembuatan dashboard eksploratif ringkas; setiap kelompok memaparkan tiga temuan kunci dari EDA proyeknya dan menerima tanggapan lintas kelompok.
3 x 50
Materi: Plotting and Visualization serta Data Aggregation; materi: EDA, agregasi, dan visualisasi data.
Pustaka: W. McKinney, Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

7

Minggu ke 7

Mahasiswa mampu membangun pipeline machine learning (praproses, pelatihan, validasi) untuk klasifikasi pada data berskala besar menggunakan Spark MLlib maupun pustaka scikit-learn, sebagai baseline model proyek.
  1. Ketepatan konstruksi pipeline ML.
  2. Kebenaran metodologi pelatihan-validasi.
  3. Kelayakan baseline model proyek.
 Kriteria:

Baseline model proyek berjalan dengan laporan eksperimen berskor rubrik minimal 70.


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembahasan pipeline ML pada big data: feature transformer, estimator, dan model persistence di Spark MLlib; praktikum klasifikasi (logistic regression, random forest, SVM/gradient boosting) dengan pembagian data yang benar; telaah hasil riset dosen tentang klasifikasi deteksi link phishing menggunakan SVM sebagai contoh penerapan klasifikasi pada layanan digital; kelompok membangun baseline model untuk proyeknya menjelang Ujian SubSumatif.
3 x 50
Materi: Classification dan End-to-End ML Project; materi: pipeline pemodelan dan validasi.
Pustaka: A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Contoh penerapan klasifikasi pada data layanan digital.
Pustaka: M. Vebriani and W. Yustanti,		 5%

8

Minggu ke 8

Mahasiswa mampu mempertanggungjawabkan formulasi masalah, arsitektur data, pipeline pemrosesan, hasil EDA, dan baseline model proyek tahap 1, serta mendemonstrasikan penguasaan konsep big data analitik pertemuan 1-7.
  1. Penguasaan konsep pada tes tertulis.
  2. Kelengkapan dan koherensi paket kemajuan tahap 1.
  3. Kualitas argumentasi keputusan analitik saat tanya jawab.
 Kriteria:
  1. Skor gabungan tes tertulis dan paket kemajuan minimal 70.
  2. Proyek dinyatakan layak lanjut ke tahap analitik lanjutan.

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Ujian SubSumatif: (1) tes tertulis individu mencakup karakteristik big data, penyimpanan terdistribusi, Spark, ETL dan kualitas data, EDA, serta konsep pemodelan; (2) presentasi kelompok atas paket kemajuan proyek tahap 1 (problem statement, arsitektur data, pipeline, data quality report, temuan EDA, dan baseline model) beserta tanya jawab.
3 x 50
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: J. Reis and M. Housley, Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: J. S. Damji, B. Wenig, T. Das, and D. Lee, Learning Spark: Lightning-Fast Data Analytics, 2nd ed. Sebastopol, CA, USA: O'Reilly Media, 2020.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Materi-materi dari minggu ke-1 s.d. ke-7
Pustaka: W. McKinney, Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.		 15%

9

Minggu ke 9

Mahasiswa mampu menerapkan pemrosesan data streaming (ingesti dengan message broker, windowing, agregasi real-time) menggunakan Spark Structured Streaming untuk kasus analitik waktu-nyata, termasuk data dari sumber IoT.
  1. Pemahaman semantik pemrosesan streaming.
  2. Keberhasilan praktikum agregasi berjendela.
  3. Ketepatan analisis kebutuhan streaming proyek.
 Kriteria:

Laporan praktikum streaming memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Praktikum		 Pembahasan arsitektur analitik streaming: message broker (Kafka), semantik pemrosesan (at-least/exactly-once), windowing, dan watermarking; praktikum Spark Structured Streaming: ingesti aliran data, agregasi berjendela, dan penulisan hasil; telaah hasil riset dosen tentang interoperabilitas Internet of Things sebagai konteks keragaman sumber data streaming; kelompok mengidentifikasi kebutuhan komponen streaming (bila relevan) pada proyeknya.
3 x 50
Materi: Structured Streaming; materi: pemrosesan aliran data dengan Spark.
Pustaka: J. S. Damji, B. Wenig, T. Das, and D. Lee, Learning Spark: Lightning-Fast Data Analytics, 2nd ed. Sebastopol, CA, USA: O'Reilly Media, 2020.
Materi: Keragaman dan interoperabilitas sumber data IoT.
Pustaka: T. Mzili, M. Mzili, S. I. Bouderba, A. Abatal, W. Aribowo, and A. K. Arya,		 5%

10

Minggu ke 10

Mahasiswa mampu menerapkan analitik teks pada korpus berskala besar - praproses teks, representasi (TF-IDF, embedding), analisis sentimen, dan pemanfaatan model transformer bahasa Indonesia (IndoBERT) - untuk mendukung pengambilan keputusan.
  1. Ketepatan praproses dan representasi teks.
  2. Kualitas hasil analisis sentimen.
  3. Pemahaman perbandingan model klasik vs transformer.
 Kriteria:

Laporan praktikum analitik teks memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Praktikum		 Pembahasan pipeline analitik teks: praproses (tokenisasi, normalisasi bahasa Indonesia), representasi TF-IDF dan embedding, hingga fine-tuning model transformer; praktikum analisis sentimen korpus teks berbahasa Indonesia; telaah hasil riset dosen tentang optimasi dan evaluasi IndoBERT serta BiLSTM-BiGRU untuk analisis sentimen layanan digital kampus sebagai studi kasus utama; kelompok menerapkan komponen analitik teks bila relevan dengan proyeknya.
3 x 50
Materi: NLP with RNNs and Attention; materi: representasi teks dan arsitektur sekuensial.
Pustaka: A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Analisis sentimen bahasa Indonesia dengan transformer.
Pustaka: I. Alpiana, W. Yustanti, and Y. Yamasari,		 5%

11

Minggu ke 11

Mahasiswa mampu membangun model prediksi deret waktu pada data berskala besar menggunakan pendekatan statistik (dekomposisi, smoothing) dan deep learning (LSTM), serta menginterpretasikan hasil prediksi untuk pengambilan keputusan.
  1. Kebenaran metodologi validasi temporal.
  2. Kualitas model prediksi dan interpretasinya.
  3. Ketepatan perbandingan pendekatan klasik vs deep learning.
 Kriteria:

Laporan praktikum forecasting memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio, Penilaian Praktikum		 Pembahasan karakteristik data deret waktu (tren, musiman, stasioneritas), pendekatan prediksi klasik, dan arsitektur sekuensial LSTM/GRU untuk forecasting; praktikum membangun model prediksi deret waktu dengan pembagian data temporal yang benar; telaah hasil riset dosen tentang forecasting harga saham dengan pendekatan LSTM sebagai rujukan desain eksperimen; kelompok menerapkan komponen prediktif pada proyeknya bila relevan.
3 x 50
Materi: Processing Sequences Using RNNs; materi: pemodelan sekuensial untuk deret waktu.
Pustaka: A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Desain eksperimen forecasting dengan LSTM.
Pustaka: E. Yohannes, A. Febriansyah, N. D. Septiyanti, Suparji, A. Wiyono, A. D. Indriyanti, F. Utaminingrum, C-Y. Lin, K. Muchtar, and A. Enkhbat,		 5%

12

Minggu ke 12

Mahasiswa mampu menerapkan teknik unsupervised learning (K-Means, hierarchical, DBSCAN) untuk segmentasi data berskala besar, menentukan jumlah klaster yang tepat, dan mengombinasikan klasterisasi dengan klasifikasi dalam kerangka hybrid untuk mendukung keputusan organisasi.
  1. Ketepatan pemilihan algoritme dan jumlah klaster.
  2. Kebermaknaan interpretasi profil klaster.
  3. Kualitas rumusan implikasi keputusan.
 Kriteria:

Laporan praktikum segmentasi dan interpretasinya memperoleh skor rubrik minimal 70.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio, Penilaian Praktikum		 Pembahasan algoritme klasterisasi dan penentuan jumlah klaster (elbow, silhouette); studi kasus segmentasi pelanggan/entitas pada data besar; telaah hasil riset dosen tentang kerangka hybrid clustering-classification untuk prediksi tingkat keberhasilan UMKM sebagai studi kasus utama; praktikum segmentasi pada data proyek dan interpretasi profil tiap klaster; kelompok merumuskan implikasi keputusan dari hasil segmentasi.
3 x 50
Materi: Unsupervised Learning Techniques; materi: klasterisasi dan evaluasinya.
Pustaka: A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Kerangka hybrid klasterisasi-klasifikasi untuk prediksi.
Pustaka: A. D. Saputra and W. Yustanti,		 5%

13

Minggu ke 13

Mahasiswa mampu mengevaluasi dan mengoptimalkan kinerja pipeline analitik big data (partisi data, caching, tuning konfigurasi Spark, pemilihan format kolumnar) serta menilai implikasi infrastruktur (container, load balancing) terhadap skalabilitas sistem.
  1. Ketepatan diagnosis kemacetan kinerja.
  2. Besaran perbaikan kinerja hasil optimasi yang terukur.
  3. Kualitas dokumentasi eksperimen tuning.
 Kriteria:

Laporan profil dan optimasi kinerja pipeline memperoleh skor rubrik minimal 70 dengan bukti pengukuran sebelum-sesudah.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembahasan sumber kemacetan kinerja pipeline: shuffle, skew, format penyimpanan (Parquet/ORC), partisi dan caching, serta tuning konfigurasi eksekusi Spark; eksperimen pengukuran kinerja sebelum-sesudah optimasi pada pipeline proyek; telaah hasil riset dosen tentang optimasi ketersediaan sumber daya pada skalabilitas tinggi dengan teknologi container dan load balancing sebagai konteks infrastruktur; kelompok mendokumentasikan hasil profil dan optimasi pipeline proyeknya.
3 x 50
Materi: Queries, Modeling, and Transformation serta orkestrasi; materi: optimasi pipeline data.
Pustaka: J. Reis and M. Housley, Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Infrastruktur skalabel untuk beban kerja data.
Pustaka: H. Z. Fahmi, I. G. P. A. Buditjahjanto, A. Hafidz, D. A. Dermawan, I. G. A. S. Sidhimantra, and R. N. Saputra,		 5%

14

Minggu ke 14

Mahasiswa mampu mengevaluasi model dan sistem analitik secara ilmiah menggunakan metrik yang tepat, desain eksperimen yang valid (cross-validation, uji perbandingan model), deteksi anomali pada data, serta analisis interpretabilitas hasil model.
  1. Ketepatan pemilihan metrik dan desain eksperimen.
  2. Kedalaman analisis kesalahan dan interpretabilitas.
  3. Kelengkapan protokol evaluasi proyek.
 Kriteria:

Keselarasan proyek dengan metode yang dipilih


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio, Penilaian Praktikum		 Pembahasan pemilihan metrik sesuai tugas dan biaya kesalahan (precision-recall trade-off, ROC-AUC, MAE/RMSE), desain eksperimen dan kontrol kebocoran data, teknik deteksi anomali, serta interpretabilitas (feature importance, SHAP); telaah hasil riset dosen tentang penerapan data mining untuk deteksi anomali pada kinerja akademik sebagai studi kasus; workshop: setiap kelompok menyusun dan mengeksekusi protokol evaluasi lengkap untuk model proyeknya beserta analisis kesalahan.
3 x 50		 Forum Konsultasi
 Materi: Training Models dan model evaluation: metrik, validasi, dan interpretasi model.
Pustaka: A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Deteksi anomali pada data organisasi.
Pustaka: Y. Yamasari, A. Qoiriah, N. Rochmawati, A. Prapanca, A. Prihanto, I. M. Suartana, and R. E. Putra,		 5%

15

Minggu ke 15

Mahasiswa mampu mengevaluasi keseluruhan solusi analitik terhadap tujuan awal dan kebutuhan pengguna/organisasi, memfinalisasi dashboard pendukung keputusan, serta menyusun laporan ilmiah proyek beserta rekomendasi tindak lanjut.
  1. Kesesuaian solusi terhadap tujuan dan kebutuhan pengguna.
  2. Kualitas dashboard dan rekomendasi keputusan.
  3. Kelengkapan draf laporan akhir.
 Kriteria:

Draf laporan akhir, dashboard, dan evaluasi kebutuhan pengguna memperoleh skor rubrik minimal 70 dan dinyatakan siap uji.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio		 Kelompok menuntaskan solusi analitik end-to-end dan dashboard pendukung keputusan; evaluasi kesesuaian solusi terhadap kebutuhan pengguna/organisasi, termasuk telaah hasil riset dosen tentang analisis kepuasan pengguna aplikasi dengan model UTAUT 2 sebagai rujukan instrumen penilaian penerimaan; penyusunan rekomendasi keputusan berbasis temuan analitik; peer review draf laporan akhir antar kelompok dan gladi presentasi Ujian Sumatif.
3 x 50
Materi: Instrumen evaluasi penerimaan pengguna.
Pustaka: R. Bisma, M. P. Arbaningrum, R. E. Putra, and I. M. Suartana,
Materi: Sesuai topik proyek masing-masing.
Pustaka: J. Reis and M. Housley, Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Sesuai topik proyek masing-masing.
Pustaka: J. S. Damji, B. Wenig, T. Das, and D. Lee, Learning Spark: Lightning-Fast Data Analytics, 2nd ed. Sebastopol, CA, USA: O'Reilly Media, 2020.
Materi: Sesuai topik proyek masing-masing.
Pustaka: A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Sesuai topik proyek masing-masing.
Pustaka: W. McKinney, Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.		 5%

16

Minggu ke 16

Mahasiswa mampu mempertanggungjawabkan solusi analitik big data end-to-end - dari formulasi masalah, pipeline data, pemodelan, hingga evaluasi dan rekomendasi keputusan - melalui presentasi ilmiah, demonstrasi, dan tanya jawab komprehensif.
  1. Kualitas laporan akhir dan solusi final.
  2. Efektivitas presentasi dan demonstrasi.
  3. Penguasaan individu dalam tanya jawab komprehensif.
 Kriteria:
  1. Skor gabungan laporan, solusi, presentasi, dan tanya jawab minimal 70.
  2. Seluruh deliverables terkumpul lengkap.

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja, Tes		 Ujian Sumatif: setiap kelompok mempresentasikan laporan akhir proyek (formulasi masalah, arsitektur dan pipeline data, hasil analitik dan pemodelan, evaluasi kinerja, rekomendasi keputusan) dan mendemonstrasikan solusi beserta dashboard yang berjalan; tanya jawab komprehensif individu mencakup materi pertemuan 1-15; pengumpulan laporan akhir, kode sumber terdokumentasi, dan seluruh deliverables proyek.
3 x 50
Materi: Materi-materi dari minggu ke-1 s.d. ke-15
Pustaka: J. Reis and M. Housley, Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Materi-materi dari minggu ke-1 s.d. ke-15
Pustaka: J. S. Damji, B. Wenig, T. Das, and D. Lee, Learning Spark: Lightning-Fast Data Analytics, 2nd ed. Sebastopol, CA, USA: O'Reilly Media, 2020.
Materi: Materi-materi dari minggu ke-1 s.d. ke-15
Pustaka: A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.
Materi: Materi-materi dari minggu ke-1 s.d. ke-15
Pustaka: W. McKinney, Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd ed. Sebastopol, CA, USA: O'Reilly Media, 2022.		 15%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 15%
2. Penilaian Hasil Project / Penilaian Produk 50.01%
3. Penilaian Portofolio 7.51%
4. Penilaian Praktikum 10.01%
5. Praktik / Unjuk Kerja 5%
6. Tes 12.5%
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.