UNIVERSITAS WAHID HASYIM(UNWAHAS)

 

 

FAKULTAS

FACULTY

TEKNIK

PROGRAM STUDI

STUDY PROGRAM

TEKNIK INFORMATIKA

RENCANA PEMBELAJARAN SEMESTER

LESSON PLAN

Nomer Dokumen

Document Number

FM-C.002/SPMI/UWH/IX/2022

Nomer Revisi

Revision Number

0

Halaman

Page

-

Tanggal Penyusunan

Compilation Date

03-Feb-2024

 

Mata Kuliah

Course

Kode

Code

Rumpun MK

Specialisation

Bobot

Credit

Semester

Semester

Big Data Analytic

JTI 072

-

3 Sks

6

Pengesahan

Confirmation

Dosen Pengembang RPS

Lesson Plan Coordinator

Koordintaor MK

Coordinator

Ketua Program Studi

Head of Study Program

 

(Akhmad Pandhu Wijaya, S.Kom., M.Kom)

 

(Akhmad Pandhu Wijaya, S.Kom., M.Kom)

 

( Fandy Indra Pratama, S.Kom., M.Kom )

CAPAIAN PEMBELAJARAN

LEARNING OBJECTIVES

CPL-Prodi yang dibebankan MK

Learning Objectives of Study Program Given to the Course

 

CPL02 (PENGETAHUAN)

Memiliki pengetahuan yang memadai terkait cara kerja sistem komputer dan mampu menerapkan/menggunakan berbagai algoritma/metode untuk memecahkan masalah pada suatu organisasi.

CPL05 (KETRAMPILAN KHUSUS)

Kemampuan mengimplementasi kebutuhan computing dengan mempertimbangkan berbagai metode/algoritma yang sesuai.

CPL08 (SIKAP)

Bertakwa kepada Tuhan Yang Maha Esa, taat hukum, dan disiplin dalam kehidupan bermasyarakat dan bernegara.

CPL10 (KETRAMPILAN UMUM)

Memiliki kemampuan (pengelolaan) manajerial tim dan kerja sama (team work), manajemen diri, mampu berkomunikasi baik lisan maupun tertulis dengan baik dan mampu melakukan presentasi.

Capaian Pembelajaran Mata Kuliah (CPMK)

Course Learning Objective

 

CPMK021 (CPL02)

Mampu memahami cara kerja sistem komputer

CPMK022 (CPL02)

Mampu menerapkan/menggunakan berbagai metode/algoritma dalam memecahkan masalah pada suatu organisasi

CPMK051 (CPL05)

Mampu menganalisis dan mendesain kebutuhan computing dengan benar.

CPMK071 (CPL07)

Mampu mendesain solusi berbasis computing multi-platform yang memenuhi kebutuhan-kebutuhan computing pada sebuah organisasi.

CPMK081 (CPL08)

Mampu menginternalisasi nilai-nilai ketaqwaan kepada Tuhan Yang Maha Esa

CPMK101 (CPL10)

Mampu mengelola tim, komunikasi dan berkolaborasi dalam proyek teknologi informasi

CPMK102 (CPL10)

Mampu mengelola diri sendiri

CPMK103 (CPL10)

Mampu menyajikan gagasan secara lisan dan tertulis

Kemampuan Akhir tiap Tahapan Belajar (Sub-CPMK)

Sub Course Learning Objective

 

SUB-CPMK0211 (CPMK021)

Kemampuan untuk memahami Big Data Analytics pada sistem komputer

SUB-CPMK0221 (CPMK022)

Kemampuan menerapkan/menggunakan berbagai metode/algoritma dalam memecahkan masalah bigdata pada suatu organisasi

SUB-CPMK0511 (CPMK051)

Kemampuan menganalisis dan mendesain solusi untuk big data analytics dengan benar.

SUB-CPMK0711 (CPMK071)

Kemampuan menyusun model big data analytic yang mendukung teknologi multi-platform pada sebuah organisasi

SUB-CPMK0811 (CPMK081)

Kemampuan untuk bertingkah laku menghargai nilai-nilai kemanusiaan dalam melakukan kegiatannya berdasarkan agama, moral, dan etika.

SUB-CPMK1011 (CPMK101)

Kemampuan mengelola tim, komunikasi dan berkolaborasi menggunakan ilmu bigdata dalam proyek teknologi informasi

SUB-CPMK1021 (CPMK102)

Kemampuan mengelola diri dalam mengolah big data

SUB-CPMK1031 (CPMK103)

Kemampuan menyajikan gagasan big data analytic secara lisan dan tertulis

Korelasi CPMK terhadap Sub-CPMK

CorrelationLearning Objective of The Course to Sub Course Learning Objective

 

Tuliskan peta matriks antara CPL dengan CPMK (Sub CP MK)

 

Diskripsi Singkat MK

Course Short Description

Bahan kajian:

Materi Pembelajaran

 

Study Material:

Learning Materials

Tuliskan materi / bahan kajian MK, secara rinci, dengan penulisan secara berurut

  1. Intelligent Systems
  2. Computational Science
  3. Discrete Structures

Pustaka

References

Utama

Main

 

Tuliskan referensi utama dalam susunan berurut

Pendukung

Supporting

 

Tuliskan Pustaka penunjang , dituliskan secara berurut


Dosen Pengampu

Lecturer

Akhmad Pandhu Wijaya, S.Kom., M.Kom

Mata Kuliah Syarat

Prerequisite

Minggu Ke

Week

Kemampuan akhir tiap tahapan belajar (Sub-CPMK)

Sub Course Learning Objective

Penilaian

Assesment

Bentuk Pembelajaran;

Metode pembelajaran;

Penugasan Mahasiswa

Learning Form;

Learning Method;

Assignment;

Materi Pembelajaran

Learning Paltform

 

Bobot Penilaian

Scoring Weight

(%)

Indikator

Indicator

Kriteria

Criteria

(1)

(2)

(3)

(4)

Tatap Muka

Face To Face

(5)

Daring

Online

(6)

(7)

(8)

1

Kemampuan untuk memahami Big Data Analytics pada sistem komputer

Ketepatan memahami Big Data Analytics Ketepatan mengidentifikasi kasus diselesaikan dengan Big Data Analytics

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

7.68

2

Kemampuan untuk memahami Big Data Analytics pada sistem komputer

Ketepatan memahami tentang data collecting

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

5.54

3

Kemampuan menerapkan/menggunakan berbagai metode/algoritma dalam memecahkan masalah bigdata pada suatu organisasi

Metodologi Data Science:
1. Ketepatan dalam mengungkapkan fenomena, framework, peluang, dan tantangan Big Data
2. Kejelasan dalam membedakan kompleksitas masalah Big Data dan non Big Data

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

6.90

4

Kemampuan menerapkan/menggunakan berbagai metode/algoritma dalam memecahkan masalah bigdata pada suatu organisasi

Data Science Project Tools:
1. Ketepatan dalam mengungkapkan proses koleksi data
2. Ketepatan dalam mengklasifikasikan jenis jenis data
3. Kejelasan dalam mengajukan pertanyaan (skenario) terhadap data
4. Pemahaman terhadap sistem kompleks yang dibentuk oleh data (non singular solution)

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

13.33

5

Kemampuan menganalisis dan mendesain solusi untuk big data analytics dengan benar.

Business Understanding (Data Rules):
1. Kemampuan memahami konsep kompleksitas pada Big Data
2. Kemampuan memahami konsep optimasi / trade-off antara kecepatan pemrosesan dan kompleksitas data

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

14.29

6

Kemampuan menganalisis dan mendesain solusi untuk big data analytics dengan benar.

Data Understanding (non-visualisasi):
1. Kemampuan memahami konsep kompleksitas pada Big Data
2. Kemampuan memahami konsep optimasi / trade-off antara kecepatan pemrosesan dan kompleksitas data

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

7.68

7

Kemampuan menyusun model big data analytic yang mendukung teknologi multi-platform pada sebuah organisasi

Data Understanding (visualisasi):
Ketepatan memahami Big Data pada studi kasus Ketepatan memahami implementasi Hadoop pada studi kasus

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion

elearning

3

9.11

9

Kemampuan menyusun model big data analytic yang mendukung teknologi multi-platform pada sebuah organisasi

Ketepatan memahami Big Data pada studi kasus Ketepatan memahami implementasi Hadoop pada studi kasus

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion, PjBL

elearning

3

6.07

10

Kemampuan untuk bertingkah laku menghargai nilai-nilai kemanusiaan dalam melakukan kegiatannya berdasarkan agama, moral, dan etika.

Kemampuan identifikasi peluang dan tantangan Big Data dalam hal security dan privacy, komputasi

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion, PjBL

elearning

3

6.25

11

Kemampuan untuk bertingkah laku menghargai nilai-nilai kemanusiaan dalam melakukan kegiatannya berdasarkan agama, moral, dan etika.

Kemampuan identifikasi peluang dan tantangan Big Data dalam hal security dan privacy, komputasi

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion, PjBL

elearning

3

8.33

12

Kemampuan mengelola tim, komunikasi dan berkolaborasi menggunakan ilmu bigdata dalam proyek teknologi informasi

1. Mahasiswa mampu memahami konsep hubungan antar data
2. Mahasiswa mampu memahami cara kerja metode / algoritma regresi
3. Mahasiswa mampu menggunakan software data mining

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion, PjBL

elearning

3

4.11

13

Kemampuan mengelola diri dalam mengolah big data

1. Mahasiswa memahami konsep co-occurence data, frequent itemsets, sequential pattern
2. Mahasiswa dapat membuat model asosiasi data
3. Mahasiswa dapat menggunakan software data mining

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion, PjBL

elearning

3

3.39

14

Kemampuan mengelola diri dalam mengolah big data

1. Mahasiswa memahami konsep co-occurence data, frequent itemsets, sequential pattern
2. Mahasiswa dapat membuat model asosiasi data
3. Mahasiswa dapat menggunakan software data mining

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion, PjBL

elearning

3

4.64

15

Kemampuan menyajikan gagasan big data analytic secara lisan dan tertulis

Ketepatan memahami dan mengimplementasikan konsep Big Data pada studi kasus

Ketepatan dan penguasaan

  • Bentuk : Kuliah
  • Metode : Small Group Discussion, PjBL

elearning

3

2.68

16

Ujian Akhir Semester

0.00

Total Bobot

100





UNIVERSITAS WAHID HASYIM(UNWAHAS)

 

 

FAKULTAS

FACULTY

TEKNIK

PROGRAM STUDI

STUDY PROGRAM

TEKNIK INFORMATIKA

RENCANA ASESMEN

ASSESMENT PLAN

Nomer Dokumen

Document Number

FM-C.002/SPMI/UWH/IX/2022

Nomer Revisi

Revision Number

0

Halaman

Page

-

Tanggal Penyusunan

Compilation Date

03-Feb-2024

 

Mata Kuliah

Course

Kode

Code

Rumpun MK

Specialisation

Bobot

Credit

Semester

Semester

Big Data Analytic

JTI 072

-

3 Sks

6

Pengesahan

Confirmation

Dosen Pengembang RPS

Lesson Plan Coordinator

Koordintaor MK

Coordinator

Ketua Program Studi

Head of Study Program

 

(Akhmad Pandhu Wijaya, S.Kom., M.Kom)

 

(Akhmad Pandhu Wijaya, S.Kom., M.Kom)

 

( Fandy Indra Pratama, S.Kom., M.Kom )

NO

CPMK

Presensi

Praktek

Presentasi

UTS

UAS

Tugas Kelompok

Total Bobot
1

CPMK021 - Mampu memahami cara kerja sistem komputer

0

0

0

5

5

5

15

2

CPMK022 - Mampu menerapkan/menggunakan berbagai metode/algoritma dalam memecahkan masalah pada suatu organisasi

0

0

0

2

0

3

5

3

CPMK051 - Mampu menganalisis dan mendesain kebutuhan computing dengan benar.

0

5

0

5

5

5

20

4

CPMK071 - Mampu mendesain solusi berbasis computing multi-platform yang memenuhi kebutuhan-kebutuhan computing pada sebuah organisasi.

0

5

0

5

0

0

10

5

CPMK081 - Mampu menginternalisasi nilai-nilai ketaqwaan kepada Tuhan Yang Maha Esa

0

5

5

0

0

5

15

6

CPMK101 - Mampu mengelola tim, komunikasi dan berkolaborasi dalam proyek teknologi informasi

0

5

0

5

0

0

10

7

CPMK102 - Mampu mengelola diri sendiri

0

5

0

5

0

0

10

8

CPMK103 - Mampu menyajikan gagasan secara lisan dan tertulis

0

5

0

5

0

5

15

Total Bobot 100

 

Catatan sesuai dengan SN Dikti Permendikbud No 3/2020:

1.     Capaian Pembelajaran Lulusan PRODI (CPL-PRODI) adalah kemampuan yang dimiliki oleh setiap lulusan PRODI yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.

2.     CPL yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-PRODI) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.

3.     CP Mata kuliah (CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPL yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.

4.     Sub-CP Mata kuliah (Sub-CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPMK 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.     Teknik 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-CPMK yang besarnya proposional dengan tingkat kesulitan pencapaian sub-CPMK tsb., dan totalnya 100%.

12.  TM=Tatap Muka,PT=Penugasan Terstuktur,BM=Belajar Mandiri.