Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S1 Sistem Informasi

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Analisis Big Data

5720103154

T=3

P=0

ECTS=4.77

4

30 Januari 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




.......................................


.......................................


I Kadek Dwi Nuryana, S.T., M.Kom.

Model Pembelajaran

Case Study

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-7

Mampu membangun, mengelola, menggunakan dan mengamankan database dengan alat dan teknik dalam sistem basis data yang akan menghasilkan model relasional

PLO-12

Mampu memahami konsep, metode, teknik dan tahapan big data, data mining, dan kecerdasan buatan serta visualisasi data sebagai pengetahuan yang berkaitan dengan teknologi informasi

Program Objectives (PO)

PO - 1

Mampu memahami dan menjelaskan konsep dasar teori big data dan processing, teknik pengumpulan dan penyimpanan data

PO - 2

Mampu menerapkan pemrosesan data dan data analytic big livecycle an realtime

PO - 3

Mampu memahami dan menerapkan clustering-reduce dimentionality

PO - 4

Mampu memahami dan menerapkan tect analytic, socment sentiment analysis dalam implementasi kasus bisnis

PO - 5

Mampu memahami supervised dan unsupervised algorithm

Matrik PLO-PO
 
POPLO-7PLO-12
PO-1✔ 
PO-2✔✔
PO-3 ✔
PO-4 ✔
PO-5✔ 

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✔✔
PO-5✔✔✔

Deskripsi Singkat Mata Kuliah

Pustaka

Utama :

  1. Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley
  2. Proctor, T. (2005). Data Collection: Methods and Applications. Routledge.
  3. White, T. (2015). Hadoop: The Definitive Guide. O'Reilly Media
  4. Smith, D. M. (2014). Data Processing and Analysis. Wiley.
  5. Provost, F., & Fawcett, T. (2013). Data Science for Business. O'Reilly Media.
  6. Schmidt, A. G. (2016). Streaming Data: Understanding the Real-Time Pipeline. O'Reilly Media.
  7. Loshin, D. (2013). Big Data Analytics: From Strategic Planning to Enterprise Integration with Tools, Techniques, NoSQL, and Graph. Elsevier.
  8. Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
  9. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
  10. Berry, M. W., & Castellanos, M. (2009). Text Mining: Classification, Clustering, and Applications. Springer.
  11. Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool.
  12. Alpaydin, E. (2020). Introduction to Machine Learning. MIT Press.
  13. Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.
  14. Marz, N., & Warren, J. (2015). Big Data: Principles and Best Practices of Scalable Real-Time Data Systems. Manning Publications.

Pendukung :

Dosen Pengampu

Monica Cinthya, M.Kom.

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

Mampu memahami dan menjelaskan konsep dasar dan karasteristik big data
  1. Dapat mendefiniskan big data dan menjelaskan lima karasteristik utama big data yaitu 5V(Volume, velocity, variety, eracity dan value)
  2. Ketepatan mahasiswa dalam menjelaskan peran dan relevansi big data dalam berbagai industry
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio, Tes		 Pembelajaran aktif melalui diskusi, studi kasus, dan praktik langsung.
3 X 50		 Quiz, Diskusi daring
3 X 50		 Materi: Konsep dasar big data seperti volume, variety, velocity, dan veracity serta karakteristiknya.
Pustaka: Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley		 2%

2

Minggu ke 2

Mampu memahami dan mejelaskan dan mengidentifikasi berbagai teknik pengumpulan data dalam big data
  1. Mahasiswa dapat mengidentifikasi berbagai sumber data dalam big data
  2. Mampu memahami dan menjelaskan metode pengumpulan data, termasuk diantaranya web scraping, sensor data dan crowdsourcong
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif, Tes		 Memahami dan melakukan praktikum untuk mempelajari teknik pengumpulan data dalam big data
3 X 50		 Melakukan atihan online mengenai teknik pengumpulan data big data, serta mengerjakan tugas praktik
3 X 50		 Materi: Teknik pengumpulan data seperti web scraping, sensor data, dan data mining.
Pustaka: Proctor, T. (2005). Data Collection: Methods and Applications. Routledge.		 3%

3

Minggu ke 3

Mampu memahami dan menjelaskan teknologi penyimpnanan big data

Mampu memahami dan menhjelaskan perbedaan antara penyimanan data trandisional dan big data, serta mampu menjelaskan teknologi penyimpanan

 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%

Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja, Tes		 Mengerjakan studi kasus tentang teknologi penyimpanan big data
3 X 50		 Mengerjakan studi kasus tentang teknologi penyimpanan big data
3 X 50		 Materi: Teknologi penyimpanan big data seperti Hadoop Distributed File System (HDFS) dan NoSQL databases.
Pustaka: White, T. (2015). Hadoop: The Definitive Guide. O'Reilly Media		 2%

4

Minggu ke 4

Mampu memahami dan menjelaskan serta menerapkan konsep dasar pemrosesan data
  1. Mampu menjelaskan konsep dasar pemrosesan data menggunakan model atau pola pemrograman Mapreduce
  2. Mampu menerapkan Mapreduce untuk menjalankan pemrosesan data sederhana
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Melakukan praktikum tentang pemrosesan data, diikuti dengan penugasan untuk menerapkan teknik pemrosesan data pada dataset yang disediakan.
3 X 50		 Melakukan simulasi pemrosesan data, serta mengerjakan tugas praktik
3 X 50		 Materi: Konsep pemrosesan data termasuk batch processing dan stream processing.
Pustaka: Smith, D. M. (2014). Data Processing and Analysis. Wiley.		 5%

5

Minggu ke 5

Mampu memahami siklus hidup analisis big data dan teknik-teknik pemrosesaan data secara batch
  1. Mmampu menjelaskan tahapan dalam siklus hidup analisisi big data dari pengumpulan hingga visualisasi dan interpretasi
  2. Dapat memahami dan menerapkan teknik pemrosesan data batch
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Melakukan diskusi kasus mengenai siklus hidup analisis big data
3 X 50		 Melakukan diskusi daring tentang siklus hidup analisis big data, serta menyusun laporan daring mengenai siklus hidup analisis big data
3 X 50		 Materi: Siklus hidup analisis big data dan teknik pemrosesan data secara batch seperti MapReduce
Pustaka: Provost, F., & Fawcett, T. (2013). Data Science for Business. O'Reilly Media.		 3%

6

Minggu ke 6

Mampu memahami dan menerapkan teknik pemrosesan data secara real-time

Mampu menjelaskan perbedaan antara pemrosesan data batch dan real-time serta dapat menggunakan sistem pemrosesan untuk memproses data secara real-time

 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Melakukan praktikum sederhana untuk menerapkan teknik pemrosesan data secara real-time
3 X 50		 Mengikuti praktikum mengenai pemrosesan data real-time
3 X 50		 Materi: Teknik pemrosesan data secara real-time seperti Apache Storm dan Apache Flink.
Pustaka: Schmidt, A. G. (2016). Streaming Data: Understanding the Real-Time Pipeline. O'Reilly Media.		 6%

7

Minggu ke 7

Mampu memahami dan menerapkan teknik data analytics pada big data termasuk predictive abalytics dan real-time analytics

Mampu menjelaskan konsep predictive analytics dan real-time analytics dalam konteks big data

 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Menganalisis studi kasus mengenai teknik analitik big data, kemudian mengimplementasikan teknik analitik pada data besar
3 X 50		 Mengerjakan studi kasus mengenai teknik analitik big data
3 X 50		 Materi: Teknik data analytics termasuk predictive analytics dan real-time analytics.
Pustaka: Loshin, D. (2013). Big Data Analytics: From Strategic Planning to Enterprise Integration with Tools, Techniques, NoSQL, and Graph. Elsevier.		 3%

8

Minggu ke 8


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 UTS
3 X 50		 UTS
3 X 50		 Materi: UTS
Pustaka: 		20%

9

Minggu ke 9

Mampu memahami dan menjelaskan kosep clustering dan teknik-teknik clustering seperto K-Means dan DBSCAN dalam analsiis big data
  1. Dapat menjelaskan konsep dasar clustering dan perbedaannya dengan supervised learning
  2. Mampu memahami dan menerapkan algoritma K-Means dan DBSCAN untuk clustering data dalam jumlah besar
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Praktik / Unjuk Kerja		 Melakukan praktikum untuk mempelajari teknik clustering
3 X 50		 Melakukan latihan tentang teknik clustering, serta mengerjakan tugas implementasi teknik clustering pada dataset.
3 X 50		 Materi: Konsep clustering dan teknik seperti K-Means, DBSCAN, serta aplikasi dan algoritma lain dalam clustering.
Pustaka: Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.		 4%

10

Minggu ke 10

Mampu menerapkan tekik pengurangan dimensi dalam big data
  1. Mampu menjelaskan pentingnya pengurangan dimensi dalam big data
  2. Ketepatan mahasiswa dalam menerapkan teknik principal component analysis pada big data
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Aktifitas Partisipasif		 Melakukan praktikum mengenai teknik pengurangan dimensi dan mengerjakan tugas untuk menerapkan teknik tersebut
3 X 50		 Melakukan latihan tentang teknik pengurangan dimensi
3 X 50		 Materi: Teknik pengurangan dimensi seperti Principal Component Analysis (PCA) dan t-Distributed Stochastic Neighbor Embedding (t-SNE).
Pustaka: Berry, M. W., & Castellanos, M. (2009). Text Mining: Classification, Clustering, and Applications. Springer.		 4%

11

Minggu ke 11

Mampu memahami dan menjelaskan konsep dasar text analytics dan berbagai tekniknya dalam analiis data teks

Mampu memahami dan menjelaskan konsep text analytics dan pentingnya analisis dalam big data

 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Praktik / Unjuk Kerja		 Menerapkan teknik text analytics pada data teks
3 X 50		 Melakukan praktikum tentang text analytics
3 X 50		 Materi: Konsep text analytics dan teknik seperti term frequency-inverse document frequency (TF-IDF), dan topic modeling
Pustaka: Berry, M. W., & Castellanos, M. (2009). Text Mining: Classification, Clustering, and Applications. Springer.		 4%

12

Minggu ke 12

Mampu memahami dan menerapkan sentiment analysis pada data teks
  1. Mampu memahami dan menjelaskan konsep sentiment analisis dan metode yang digunakan
  2. Ketepatan mahasiswa dalam menerapkan sentiment analysis untuk mengidentifikasi opini public dari data teks
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Melakukan raktikum tentang sentiment analysis
3 X 50		 Melakukan praktikum tentang sentiment analysis
3 X 50		 Materi: Teknik sentiment analysis dan penerapannya dalam menganalisis data teks.
Pustaka: Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool.		 3%

13

Minggu ke 13

Mampu memahami dan menjelaskan konsep dan algorotma supervised learning
  1. Mampu memahami dan menjealskan konsep supervised learning dan perbedaannya dengan usupervised learning
  2. Ketepatan mahassiwa dalam menjelaskan algoritma
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Melakukan diskusi tentang supervised learning dan menganalisis serta mengimplementasikan algoritma supervised learning
3 X 50		 Melakukan diskusi tentang supervised learning
3 X 50		 Materi: Konsep dan algoritma dalam supervised learning seperti regresi linear, decision trees, dan SVM.
Pustaka: Alpaydin, E. (2020). Introduction to Machine Learning. MIT Press.		 2%

14

Minggu ke 14

Mampu memahami osep dan algoritma unsupervised learning

Mampu menjelaskan konsep unsupervised learning dan dapat menjelaskan algoritma clustering dan ssociation rules dalam konteks big data

 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk, Tes		 Melakukan diskusi tentang unsupervised learning
3 X 50		 Melakukan diskusi tentang unsupervised learning
3 X 50		 Materi: Konsep dan algoritma dalam unsupervised learning seperti clustering dan dimensionality reduction.
Pustaka: Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.		 2%

15

Minggu ke 15

Mampu memahami dan menganalisisi dan memilih algoritma yang sesuai untuk jenis masalah dalam analisis big data
  1. Mampu menganalisis masalah data daan memilih algoritma yang sesuai berdasarkan karasteristik data
  2. Ketepatan mahasiswa dalam mengevaluasi performa algoritma yan dipilih dan memberikan alasan utuk penggunaannya
 Kriteria:
  1. Partisipasi = 20%
  2. Tugas = 30%
  3. UTS = 20%
  4. UAS = 30%

Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Mengerjakan studi kasus untuk menganalisis algoritma yang sesuai dengan masalah big data dan memilih algoritma untuk kasus yang diberikan.
3 X 50		 Mengerjakan studi kasus untuk menganalisis algoritma yang sesuai untuk masalah big data dan memilih algoritma.
3 X 50		 Materi: Analisis dan pemilihan algoritma berdasarkan jenis masalah dalam big data.
Pustaka: Marz, N., & Warren, J. (2015). Big Data: Principles and Best Practices of Scalable Real-Time Data Systems. Manning Publications.		 7%

16

Minggu ke 16


Bentuk Penilaian :
Tes		 UAS
3 X 50		 UAS
3 X 50		 Materi: UAS
Pustaka: 		30%



Rekap Persentase Evaluasi : Case Study

No Evaluasi Persentase
1. Aktifitas Partisipasif 6.67%
2. Penilaian Hasil Project / Penilaian Produk 40%
3. Penilaian Portofolio 0.5%
4. Praktik / Unjuk Kerja 8.17%
5. Tes 44.67%
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.