MODUL PERTEMUAN 1

Mata Kuliah: Data Modelling
Kode MK: SSD1019
SKS: 3 (Praktikum)
Semester: 4 (Empat)
Program Studi: Sains Data
Fakultas: Ekonomi dan Bisnis Islam
Universitas: UIN K.H. Abdurrahman Wahid Pekalongan

Dosen Pengampu: Mohammad Reza Maulana, M.Kom
NIP: 199110082025051002

Pertemuan: 1 dari 16
Durasi: 150 menit (3 × 50 menit)

PERTEMUAN 1

KONTRAK KULIAH & PENGANTAR DATA MODELLING

A. KONTRAK KULIAH

A.1 Identitas Mata Kuliah

A.2 Deskripsi Mata Kuliah (Ringkas)

Mata kuliah Data Modelling memberikan pemahaman mendalam tentang prinsip, teknik, dan praktik dalam membangun representasi terstruktur data sebagai dasar perancangan sistem informasi dan analisis data. Mahasiswa mempelajari tiga level model (konseptual, logikal, fisik), diagram Entity Relationship, normalisasi data, serta dimensional modelling untuk data warehouse dalam konteks sains data.

📋 Silabus Lengkap: Lihat dokumen silabus di LMS untuk detail CPMK, metode pembelajaran, ketentuan perkuliahan, dan rencana 16 minggu.

A.3 Capaian Pembelajaran Lulusan (CPL) Program Studi

Mata kuliah ini mendukung pencapaian CPL-Prodi berikut:

• CPL 2: Mampu mengimplementasikan karakter yang mencerminkan peningkatan mutu berkehidupan masyarakat, kepekaan sosial, etika akademik, jiwa kewirausahaan, dengan menggunakan kreativitas dan inovasi, standar keunggulan, kepemimpinan yang tangguh, serta mengoptimalkan potensi lain yang dimiliki untuk meraih hasil yang optimal.
• CPL 3: Mampu mengaplikasikan ilmu pengetahuan dan teknologi di bidang sains data untuk kemanusiaan berlandaskan budaya bangsa.
• CPL 4: Mampu merumuskan masalah, menyelesaikan masalah, dan mengambil keputusan dalam konteks bidang sains data secara tepat sesuai dengan prosedur dan metode yang sistematis dan terstruktur.
• CPL 6: Mampu menerapkan konsep teoritis bidang pengetahuan sains dan matematika untuk mendukung pemahaman metode sains data.

A.4 Capaian Pembelajaran Mata Kuliah (CPMK)

• CPMK 2: Mahasiswa mampu menunjukkan sikap tanggung jawab, kreatif, kolaboratif, inovatif, serta mematuhi etika akademik dan hukum dalam kegiatan pemodelan data.
• CPMK 3: Mahasiswa mampu menjelaskan konsep, prinsip, dan peran pemodelan data dalam sains data dan pengambilan keputusan.
• CPMK 4: Mahasiswa mampu menganalisis dan merancang model data konseptual, logikal, dan fisik yang sesuai dengan kebutuhan bisnis atau penelitian.
• CPMK 6: Mahasiswa mampu menerapkan teknik pemodelan data menggunakan alat bantu (tools) sesuai standar industri atau penelitian.

Sub-CPMK yang Dicapai di Pertemuan 1:

Sub-CPMK 3.1: Mahasiswa mampu menjelaskan konsep, prinsip, dan peran pemodelan data dalam siklus pengembangan sistem informasi dan sains data — termasuk perbedaan tiga level model (konseptual, logikal, fisik), posisi data modelling dalam pipeline sains data, dan motivasi mengapa model data yang baik adalah fondasi sistem informasi yang andal.

A.5 Metode Pembelajaran

1. Ceramah Interaktif dan Diskusi — Penjelasan konsep dengan partisipasi aktif mahasiswa dan diskusi kasus bersama
2. Aktivitas Pemantik (Icebreaker) — Aktivitas pembuka untuk membangun prior knowledge sebelum materi formal
3. Demonstrasi Tools — Pengenalan dan tutorial penggunaan software pemodelan data
4. Praktikum Perancangan Model Data — Hands-on practice dengan tools dan latihan merancang model data
5. Studi Kasus Terbimbing — Analisis kasus nyata dari industri dengan panduan pertanyaan bertingkat
6. Project-Based Learning — Proyek bertahap sepanjang semester dalam konteks nyata

A.6 Sistem Penilaian

A.7 Ketentuan Perkuliahan

a. Kehadiran

• Mahasiswa wajib menghadiri minimal 75% dari total pertemuan untuk dapat mengikuti UAS
• Keterlambatan maksimal 15 menit masih diperkenankan mengikuti perkuliahan
• Lebih dari 15 menit dianggap tidak hadir
• Mahasiswa yang berhalangan hadir wajib memberitahukan dosen dengan alasan yang jelas

b. Tugas dan Pengumpulan

• Tugas individu dan kelompok dikumpulkan sesuai deadline yang ditentukan
• Keterlambatan pengumpulan akan mengurangi nilai:
  • Terlambat 1–24 jam: pengurangan 10%
  • Terlambat 1–3 hari: pengurangan 20%
  • Lebih dari 3 hari: tidak diterima (nilai 0)
• Format pengumpulan akan diinformasikan pada setiap penugasan

c. Integritas Akademik

• Segala bentuk plagiarisme, kecurangan, dan pelanggaran etika akademik akan mendapat sanksi sesuai aturan universitas
• Plagiarisme meliputi: menyalin pekerjaan orang lain tanpa atribusi, menggunakan desain orang lain tanpa izin, dan copy-paste tanpa parafrase dan sitasi
• Sanksi dapat berupa nilai 0 hingga sanksi akademik lebih lanjut
• Penggunaan AI generatif (ChatGPT, dll.) wajib diungkapkan secara transparan; mahasiswa tetap bertanggung jawab atas kebenaran konten yang dihasilkan

d. Komunikasi

• Komunikasi terkait perkuliahan melalui LMS untuk materi dan pengumuman, WhatsApp Group untuk komunikasi cepat, dan Email untuk komunikasi formal
• Mahasiswa diharapkan mengecek pengumuman minimal 1× per hari
• Response time dosen maksimal 2×24 jam untuk pertanyaan via email

e. Proyek Kelompok

• Setiap kelompok terdiri dari 3–4 mahasiswa
• Pembagian tugas harus jelas dan didokumentasikan
• Setiap anggota kelompok dinilai dari kontribusi individu (peer evaluation) dan hasil kerja kelompok
• Free rider akan mendapat pengurangan nilai individual

f. Etika Kelas

• Berpakaian rapi dan sopan sesuai aturan kampus
• Menggunakan bahasa yang santun dalam komunikasi
• Tidak menggunakan handphone untuk hal yang tidak terkait perkuliahan
• Menghormati pendapat teman dan dosen; aktif berpartisipasi dalam diskusi

g. Revisi dan Update

• Kontrak kuliah ini dapat direvisi jika diperlukan dengan persetujuan bersama
• Perubahan akan dikomunikasikan melalui LMS dan WhatsApp Group

A.8 Rencana Pertemuan (16 Minggu)

A.9 Tools dan Software yang Digunakan

A.10 Referensi Utama

1. Elmasri, R. & Navathe, S. B. (2015). Fundamentals of Database Systems (7th Edition). Pearson. ISBN: 978-0133970777
2. Kimball, R. & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3rd Edition). Wiley. ISBN: 978-1118530801
3. Hoberman, S. (2009). Data Modeling Made Simple (2nd Edition). Technics Publications. ISBN: 978-0977140060

A.11 Catatan Penting untuk Mahasiswa

📌 Data modelling adalah fondasi dalam sains data. Model data yang baik akan memudahkan proses analisis dan meningkatkan kualitas insight yang dihasilkan.

📌 Jangan terlalu cepat fokus pada SQL. Pahami dulu MENGAPA suatu desain model data dipilih sebelum mengimplementasikannya.

📌 Banyak kegagalan proyek data disebabkan oleh model data yang buruk, bukan karena algoritma yang kurang canggih.

📌 Manfaatkan proyek kelompok untuk belajar kolaboratif dan simulasi proyek riil.

📌 Selalu tanyakan: "Mengapa model data ini cocok untuk analisis yang akan dilakukan?"

B. INFORMASI PERTEMUAN

B.1 Sub-CPMK Pertemuan 1

Sub-CPMK 3.1: Mahasiswa mampu menjelaskan konsep-konsep dasar pemodelan data (data, informasi, metadata) dan peran strategis data modelling dalam ekosistem sains data.

B.2 Tujuan Pembelajaran (Learning Objectives)

Setelah mengikuti pertemuan ini, mahasiswa akan mampu:

1. Membedakan konsep data, informasi, dan metadata beserta karakteristiknya (C2 — Memahami)
2. Menjelaskan hierarki DIKW dan posisi data modelling di dalamnya (C2 — Memahami)
3. Mendeskripsikan peran data modelling dalam Siklus Pengembangan Sistem (SDLC) secara garis besar (C2 — Memahami)
4. Membedakan antara data modelling, database design, dan data analysis (C2 — Memahami)
5. Mengidentifikasi dampak nyata dari model data yang buruk melalui diskusi studi kasus (C4 — Menganalisis)

B.3 Kompetensi yang Dikembangkan

B.4 Indikator Pencapaian

Setelah mengikuti pertemuan ini, mahasiswa diharapkan mampu:

1. Menjelaskan perbedaan antara data, informasi, dan metadata dengan contoh kontekstual
2. Menggambarkan hierarki DIKW dan menjelaskan relevansinya dalam data modelling
3. Mengidentifikasi posisi data modelling dalam setiap fase SDLC secara umum
4. Membedakan fokus kerja data modeller, database administrator, dan data analyst
5. Menganalisis mengapa sebuah sistem gagal akibat model data yang buruk

B.5 Alokasi Waktu

C. MATERI PEMBELAJARAN

C.1 Icebreaker: "Sejarah Data — Dari Kertas ke Cloud"

Instruksi (12 menit): Mahasiswa dibagi menjadi 3 kelompok besar. Setiap kelompok mendapat timeline card dengan tahun-tahun penting dalam sejarah data modelling.

Aktivitas:

1. Kelompok mengurutkan timeline dari yang paling awal (diskusi 3 menit)
2. Tampilkan urutan di depan kelas (2 menit)
3. Dosen memvalidasi & explain poin-poin krusial (7 menit)

Timeline Events:

• 1970s: E.F. Codd — Relational Model (SQL lahir)
• 1980s: Normalisasi & Entity Relationship Diagram populer
• 1990-2000s: Data Warehouse & Dimensional Modelling (Kimball) boom
• 2000-2010s: OLAP, Business Intelligence, Data Lakes mulai
• 2010s: Big Data, NoSQL, Unstructured data explosion
• 2020s-Now: Sains Data Renaissance — model data kembali jadi KRUSIAL!

Sambung dengan pertanyaan pemantik:

• "Mengapa setelah 50 tahun, data modelling masih relevan?"
• "Apa bedanya peran data modeller di era SQL (1990s) vs era sains data (2020s)?"

C.2 Materi 1: Sejarah & Evolusi Data Modelling (+ Mengapa Penting di Sains Data)

a. Era Pre-Digital: Kertas dan Manual (Sebelum 1970)

Data disimpan di kertas, kartu, arsip manual. Tidak ada standar — setiap organisasi membuat cara sendiri. Pencarian data memakan waktu berhari-hari; duplikasi dan inkonsistensi data tidak terhindari.

Pembelajaran: Tanpa desain terstruktur, data tidak terpercaya dan proses bisnis terhambat.

b. Era Relasional: Revolusi SQL (1970-1990)

Tahun 1970, Edgar F. Codd memperkenalkan Relational Data Model — terobosan! Lahir konsep normalisasi, Primary Key, Foreign Key, dan SQL sebagai bahasa standar. Manfaat: konsistensi data meningkat drastis, query menjadi fleksibel dan terukur.

Pembelajaran: Struktur (model) yang baik → operasi lebih aman dan efisien.

c. Era Data Warehouse & BI (1990-2010)

Ralph Kimball & Inmon memperkenalkan Dimensional Modelling — desain khusus untuk analisis bukan untuk update real-time. Star Schema dan Snowflake Schema menjadi populer. Manfaat: query analitik jauh lebih cepat, dashboard mudah dibangun.

Pembelajaran: Satu model data tidak cocok untuk semua tujuan — konteks dan design tujuan harus disesuaikan.

d. Era Big Data & NoSQL (2010-2020)

Volume data eksplosif (Petabytes, Exabytes). Relasional model dirasa "kaku" untuk data unstruktur (teks, gambar, logs, sensor). NoSQL, Data Lakes, Schema-on-Read berkembang. Tapi ketika struktur longgar, konsistensi data jadi masalah — kelembaman governance terasa keras.

Pembelajaran: Fleksibilitas datang dengan harga — kompleksitas governance membesar.

e. Era Sains Data (2020-Present): Renaissance Model Data!

Machine Learning butuh data bersih & konsisten. Feature Engineering butuh metadata yang jelas & relasi antar tabel. Data Governance kembali top priority. Hasilnya: data modelling kembali krusial!

Mengapa penting di sains data:

• Sains data ≠ hanya Python/R — kualitas data menentukan kualitas model (GIGO: Garbage In, Garbage Out)
• 50% waktu proyek sains data habis untuk data preparation dan modeling — bukan machine learning!
• Salary/karir: Data Architect & Data Engineer (roles yang fokus data modeling) salary naik signifikan post-2020
• Skill data modeling adalah competitive advantage yang langka di kalangan data scientist

C.3 Konsep Data, Informasi, dan Metadata

a. Definisi Data

Data adalah kumpulan fakta mentah (raw facts) yang belum diproses atau diorganisir. Data bisa berupa angka, teks, gambar, suara, atau kombinasinya.

Karakteristik Data: Objektif (fakta), belum memiliki konteks, belum memberikan makna, merupakan input untuk proses.

Contoh Data:

25
"Jakarta"
2026-02-14
3500000
"Budi Santoso"

Data di atas adalah data mentah tanpa konteks. Kita tidak tahu apa makna angka 25, atau hubungan "Jakarta" dengan data lainnya.

b. Definisi Informasi

Informasi adalah data yang telah diproses, diorganisir, atau disajikan dalam konteks yang memberikan makna.

Karakteristik Informasi: Memiliki konteks, memberikan makna, berguna untuk pengambilan keputusan, merupakan output dari proses data.

Contoh Informasi:

Nama         : Budi Santoso
Usia         : 25 tahun
Kota         : Jakarta
Tanggal Lahir: 14 Februari 2001
Gaji         : Rp 3.500.000

c. Perbedaan Data dan Informasi

d. Definisi Metadata

Metadata adalah "data tentang data". Metadata mendeskripsikan karakteristik, struktur, dan konteks dari data.

Jenis Metadata:

Contoh Metadata Tabel Database:

Table   : MAHASISWA
Columns :
  NIM            VARCHAR(10)   PRIMARY KEY, NOT NULL
  Nama           VARCHAR(100)  NOT NULL
  Usia           INT           CHECK (Usia >= 17)
  Email          VARCHAR(100)  UNIQUE
  Tanggal_Daftar DATE          DEFAULT CURRENT_DATE
Created       : 2026-01-15
Last Modified : 2026-02-14
Owner         : Admin
Rows          : 1.250

e. Hierarki DIKW

          WISDOM  (Why — Mengapa?)
             ↑
         KNOWLEDGE (How — Bagaimana?)
             ↑
        INFORMATION (Who/What/Where/When)
             ↑
            DATA  (What — Apa?)

Contoh dalam satu konteks (peminjaman buku):

Dalam Data Modelling: Kita fokus merancang struktur yang memungkinkan transformasi Data → Information secara efisien dan akurat.

C.4 Materi 2.5: Tiga Level Model Data (Preview Substantif)

Ini adalah CORE CONCEPT perkuliahan — kita akan bahas detail mulai Pertemuan 2 hingga 9. Tapi penting dipahami ringkasannya sekarang untuk "big picture".

The Three Levels of Data Modeling

                CONCEPTUAL          LOGICAL             PHYSICAL
                (Minggu 3-4)       (Minggu 5-7)        (Minggu 9)
                
Level           Abstraksi Tinggi   Intermediate        Rinci Teknis
                    
Fokus           WHAT               HOW                 HOW + WHERE
                Apa yang perlu      Bagaimana           Bagaimana 
                disimpan?           strukturnya?        implementasinya?

Notasi          ERD (Entity-        Relational Schema   DDL SQL
                Relationship        + Normal Forms      (CREATE TABLE,
                Diagram)            + PK/FK             constraints,
                                                        indexes)

Audiens         Business Analyst    Data Modeler +      DBA + Developer
                Stakeholder         Database Architect

Tool            Draw.io, Lucidchart Whiteboard + DDL    MySQL Workbench
                                    Tools               SQL Scripts

Output          Gambar yang         Tabel dengan PK/FK  Script siap
                memudahkan          definitions, rules  dijalankan

Independensi    DBMS-agnostic       Mostly DBMS-        DBMS-specific
                (bisa digambar)     agnostic            (MySQL vs 
                                    (tapi konsep PK     PostgreSQL
                                    sudah DBMS-         berbeda)
                                    specific)

Contoh Kasus    "Sistem Toko:" ada  "Sistem Toko:"      CREATE TABLE
                Entity PELANGGAN,   PELANGGAN           PELANGGAN(
                PRODUK, PESANAN     tabel dengan        id_pel INT PK,
                                    atribut, PK,        nama VARCHAR(100),
                                    FK ke PESANAN       email VARCHAR(100)
                                                        UNIQUE, ...);

Perjalanan dari Conceptual → Physical:

1. Conceptual Model (Minggu 3-4): Dengarkan kebutuhan bisnis ("pelanggan bisa pesan banyak produk"). Gambar dalam bentuk entity & relationship yang intuitif.

2. Logical Model (Minggu 5-7): Terjemahkan entity & relationship ke dalam tabel relasional. Tentukan PK, FK, constraint. Pastikan data konsisten (normalisasi).

3. Physical Model (Minggu 9): Terjemahkan logical model ke dalam SQL DDL yang spesifik DBMS pilihan (MySQL). Tentukan index, data type, storage engine.

Mengapa Tiga Level?

• Tidak bisa langsung dari bisnis ke DDL script — akan banyak miss requirement dan detail teknis terlupakan
• Tiga level memberikan "checkpoints" — setiap level bisa di-review dan di-validate oleh stakeholder berbeda
• Semakin detail ke bawah, semakin teknis; semakin tinggi, semakin bisnis-friendly

C.5 Peran Data Modelling dalam SDLC

Data modelling berperan sebagai cetak biru (blueprint) yang menjadi acuan pada setiap fase pengembangan sistem:

REQUIREMENTS GATHERING  ← Data Modelling mulai di sini
         ↓                 (identifikasi entitas & business rules)
   SYSTEM DESIGN         ← Conceptual → Logical → Physical Model
         ↓
   IMPLEMENTATION        ← Physical model menjadi DDL script
         ↓
      TESTING            ← Validasi integritas & business rules
         ↓
    DEPLOYMENT
         ↓
    MAINTENANCE          ← Dokumentasi model untuk evolusi sistem

Tiga Level Model Data (Preview):

C.6 Data Modelling vs Database Design vs Data Analysis

Ketiga peran ini sering dikacaukan padahal memiliki fokus yang berbeda:

Keterkaitan Ketiga Peran:

Data Modelling  →  Database Design  →  Data Analysis
   (WHAT)       →      (HOW)        →      (WHY)

C.7 Studi Kasus Terbimbing — Kegagalan Model Data

Konteks Kasus: Sebuah rumah sakit mengimplementasikan sistem Electronic Health Records (EHR) dengan desain flat table tunggal yang memiliki 300+ kolom, termasuk last_medication_1 hingga last_medication_20, dan allergy_1 hingga allergy_10.

Panduan Diskusi (pertanyaan bertingkat):

Level 1 — Identifikasi Masalah: "Apa yang aneh dari desain flat table dengan ratusan kolom ini?"

Level 2 — Analisis Dampak: "Mengapa duplikasi dan penomoran kolom seperti allergy_1, allergy_2, ...allergy_10 berbahaya, terutama dalam konteks medis?"

Level 3 — Refleksi Solusi: "Tanpa harus tahu cara normalnya, apa naluri pertama Anda untuk memperbaiki struktur ini?"

Poin Pembelajaran:

• Model data yang buruk bukan hanya masalah teknis — bisa berdampak nyata pada kehidupan manusia
• Struktur flat table tanpa normalisasi menyebabkan data terpotong, konflik, dan sulit dianalisis
• Solusi teknis (normalisasi, relasi) akan dipelajari mulai Pertemuan 6 — hari ini kita fokus pada mengapa ini penting

C.8 Posisi Data Modelling dalam Proyek Sains Data

1. BUSINESS UNDERSTANDING
         ↓
2. DATA UNDERSTANDING
         ↓
3. DATA PREPARATION  ← ← DATA MODELLING SANGAT PENTING DI SINI
         ↓
4. MODELING (ML / Statistical)
         ↓
5. EVALUATION
         ↓
6. DEPLOYMENT

Dampak Model Data Buruk pada Sains Data:

• Data tidak konsisten → analisis tidak dapat dipercaya
• Tidak ada relasi antar tabel → feature engineering menjadi sulit
• Tidak ada dokumentasi metadata → hasil analisis tidak bisa diinterpretasi ulang
• Flat table tanpa normalisasi → query lambat, pipeline ETL kompleks

D. PRAKTIKUM

D.1 Tujuan Praktikum

• Mengenali struktur dataset nyata dan mengidentifikasi metadata di dalamnya
• Menentukan tipe data yang tepat untuk setiap kolom
• Mengidentifikasi kandidat Primary Key dan atribut yang berpotensi menjadi relasi

D.2 Mini Praktikum: Identifikasi Metadata dari Dataset

Gunakan dataset berikut sebagai bahan analisis:

NIM,Nama,Email,Tanggal_Lahir,Kota_Asal,IPK
2021001,Budi Santoso,budi@email.com,2003-01-15,Jakarta,3.45
2021002,Siti Rahayu,siti@email.com,2002-11-20,Bandung,3.78
2021003,Ahmad Fauzi,ahmad@email.com,2003-05-10,Semarang,3.12
2021004,Dewi Lestari,dewi@email.com,2002-08-25,Surabaya,3.90
2021005,Rizki Pratama,rizki@email.com,2003-03-30,Yogyakarta,3.56

Pertanyaan Praktikum:

Bagian 1 — Identifikasi Data dan Metadata:

1. Kolom mana yang merupakan data (nilai/fakta)?
2. Kolom mana yang merupakan metadata dari tabel ini (deskripsi tentang datanya)?
3. Apa saja administrative metadata yang belum ada tetapi seharusnya ada dalam tabel ini?

Bagian 2 — Tentukan Tipe Data: Lengkapi tabel berikut:

Bagian 3 — Analisis Struktur:

1. Kolom mana yang paling tepat dijadikan Primary Key? Mengapa?
2. Apakah Email bisa dijadikan Primary Key? Apa risikonya?
3. Constraint apa yang sebaiknya diterapkan pada kolom IPK?
4. Jika data ini akan diintegrasikan dengan tabel MATA_KULIAH, kolom penghubung apa yang perlu ditambahkan?

D.3 Panduan Mengerjakan Praktikum

1. Kerjakan secara mandiri terlebih dahulu (5 menit)
2. Diskusikan jawaban dengan teman sebangku (3 menit)
3. Bahas bersama di kelas dengan panduan dosen (2 menit)

E. TUGAS

E.1 Tugas Individu: Analisis Artikel Kegagalan atau Keberhasilan Sistem (100%)

Deskripsi: Cari satu artikel berita, jurnal, atau studi kasus (minimal tahun 2018) yang membahas:

• Opsi A: Kegagalan sistem informasi akibat masalah data (data loss, inkonsistensi, sistem tidak bisa digunakan)
• Opsi B: Keberhasilan transformasi sistem karena perbaikan desain data (migrasi database, peningkatan performa, data warehouse)

Format Pengerjaan: Gunakan Template Analisis Artikel di Lampiran B

Deadline: Sebelum Pertemuan 3 Platform: Ngaji UIN Gusdur (opens in a new tab) (format PDF)

F. EVALUASI

F.1 Kuis Singkat (Dikerjakan di Kelas)

Pilihan Ganda:

1. Yang dimaksud dengan metadata adalah:

   • A. Data yang sudah diproses menjadi informasi
   • B. Data yang mendeskripsikan data lain
   • C. Data yang tersimpan di database
   • D. Data yang digunakan untuk machine learning

2. Dalam hierarki DIKW, Informasi berada di:

   • A. Level paling bawah
   • B. Level kedua dari bawah
   • C. Level ketiga dari bawah
   • D. Level paling atas

3. Data Modelling paling banyak berperan pada fase SDLC:

   • A. Implementation
   • B. Requirements & Design
   • C. Testing
   • D. Maintenance

4. Apa fokus utama dari Data Modelling?

   • A. Menulis SQL query
   • B. Membuat dashboard analitik
   • C. Merancang struktur dan relationship data
   • D. Deploy sistem ke cloud

5. Yang bukan merupakan peran data modelling dalam proyek sains data:

   • A. Memastikan data quality
   • B. Membuat algoritma machine learning
   • C. Memudahkan feature engineering
   • D. Mendukung integrasi data multi-sumber

F.2 Refleksi Akhir Pertemuan

Sebelum pertemuan berakhir, mahasiswa menjawab dua pertanyaan singkat (boleh di kertas atau via Ngaji UIN Gusdur):

1. Sebelum hari ini, apa yang kamu bayangkan tentang Data Modelling?
2. Setelah pertemuan ini, apa satu hal yang paling menarik atau mengejutkan bagimu?

Respon ini digunakan dosen untuk mengkalibrasi pendekatan pengajaran di pertemuan berikutnya.

G. REFERENSI

G.1 Referensi Utama

1. Elmasri, R. & Navathe, S. B. (2015). Fundamentals of Database Systems (7th Edition). Pearson. ISBN: 978-0133970777
   • Chapter 1: Databases and Database Users
   • Chapter 2: Database System Concepts and Architecture
2. Hoberman, S. (2009). Data Modeling Made Simple (2nd Edition). Technics Publications. ISBN: 978-0977140060
   • Chapter 1: What is Data Modeling?
   • Chapter 2: Why Data Modeling?
3. Kimball, R. & Ross, M. (2013). The Data Warehouse Toolkit (3rd Edition). Wiley. ISBN: 978-1118530801

G.2 Referensi Online

1. IBM. "What is Data Modeling?" — https://www.ibm.com/topics/data-modeling (opens in a new tab)
2. Kimball Group. "Introduction to Data Warehousing Concepts" — https://www.kimballgroup.com (opens in a new tab)
3. Oracle. "Database Concepts" — https://docs.oracle.com/database/ (opens in a new tab)

G.3 Video Resources

1. Lucidchart — "What is Data Modeling?" (YouTube — pengantar visual yang baik)
2. freeCodeCamp — "Database Design Course" (YouTube — full course on fundamentals)

H. LAMPIRAN

Lampiran A: Dataset Latihan Mini Praktikum

File: MAHASISWA_SAMPLE.csv

NIM,Nama,Email,Tanggal_Lahir,Kota_Asal,IPK
2021001,Budi Santoso,budi@email.com,2003-01-15,Jakarta,3.45
2021002,Siti Rahayu,siti@email.com,2002-11-20,Bandung,3.78
2021003,Ahmad Fauzi,ahmad@email.com,2003-05-10,Semarang,3.12
2021004,Dewi Lestari,dewi@email.com,2002-08-25,Surabaya,3.90
2021005,Rizki Pratama,rizki@email.com,2003-03-30,Yogyakarta,3.56

Lampiran B: Template Analisis Artikel

TEMPLATE ANALISIS ARTIKEL — DATA MODELLING

Judul Artikel:

Sumber / URL:

Tanggal Publikasi:

Jenis Artikel: ☐ Kegagalan Sistem    ☐ Keberhasilan Sistem

1. RINGKASAN KASUS (100–150 kata)

Jelaskan: Apa yang terjadi? Kapan? Di mana? Sistem apa yang terlibat? Siapa yang terdampak?

[Isi di sini]

2. AKAR MASALAH / FAKTOR KEBERHASILAN (100–150 kata)

Analisis mendalam: Apa penyebab utama kegagalan atau faktor kunci keberhasilan? Kaitkan dengan aspek data seperti: desain model data, normalisasi, integritas data, kualitas data, atau dokumentasi metadata.

[Isi di sini]

3. DAMPAK (50–100 kata)

Jelaskan dampak yang terjadi: kerugian finansial, reputasi, operasional, atau manfaat yang diperoleh jika ini kasus sukses.

[Isi di sini]

4. LESSON LEARNED (100–150 kata)

Apa yang seharusnya dilakukan atau apa yang bisa ditiru? Bagaimana data modelling yang baik bisa mencegah masalah atau mendukung keberhasilan seperti ini?

[Isi di sini]

5. REFLEKSI PERSONAL (50 kata)

Apa yang paling berkesan dari kasus ini? Bagaimana relevansinya dengan proyek sains data yang mungkin Anda kerjakan di masa depan?

[Isi di sini]

Nama: ___________________________ NIM: ____________________________ Tanggal: _________________________

Lampiran C: Checklist Kontrak Kuliah

Mahasiswa dapat menggunakan checklist ini untuk memastikan pemahaman kontrak kuliah:

• Saya memahami bobot dan komponen penilaian mata kuliah
• Saya memahami ketentuan kehadiran minimal 75%
• Saya memahami konsekuensi keterlambatan pengumpulan tugas
• Saya memahami definisi plagiarisme dan kebijakan penggunaan AI
• Saya memahami cara komunikasi resmi dengan dosen
• Saya memahami struktur dan mekanisme penilaian proyek kelompok
• Saya memahami tools yang akan digunakan sepanjang semester
• Saya memahami ekspektasi partisipasi aktif di kelas
• Saya telah membaca dan menyetujui semua ketentuan dalam kontrak kuliah ini

Tanda Tangan: ___________________ Tanggal: ________________________

PENUTUP

Pertemuan 1 ini dirancang untuk membangun fondasi yang kuat secara konseptual sebelum masuk ke materi teknis. Dengan memahami mengapa data modelling penting — bukan hanya bagaimana caranya — mahasiswa diharapkan memiliki motivasi dan perspektif yang tepat sepanjang semester.

Key Messages:

1. Data modelling bukan hanya soal teknis — ini tentang memahami kebutuhan bisnis dan merancang solusi yang tepat
2. Model data yang buruk bisa menyebabkan kegagalan sistem nyata, bahkan merugikan manusia
3. Data modelling adalah fondasi untuk sains data — analisis berkualitas dimulai dari data yang terstruktur dengan baik

Persiapan Pertemuan 2:

• Baca Hoberman Chapter 3–4 tentang kebutuhan data dan business rules
• Pikirkan sistem yang Anda gunakan sehari-hari (e-commerce, mobile banking, LMS) — data apa yang mereka simpan, dan apa business rules-nya?
• Mulai mencari artikel untuk Tugas E.1

Disusun oleh: Mohammad Reza Maulana, M.Kom Program Studi Sains Data Fakultas Ekonomi dan Bisnis Islam UIN K.H. Abdurrahman Wahid Pekalongan

Revisi: 14 Februari 2026