KEMENTERIAN AGAMA
UNIVERSITAS ISLAM NEGERI (UIN) K.H. ABDURRAHMAN WAHID PEKALONGAN
FAKULTAS EKONOMI DAN BISNIS ISLAM
PROGRAM STUDI SAINS DATA

RENCANA PEMBELAJARAN SEMESTER (RPS)

MATA KULIAH DATA MODELLING

A. IDENTITAS MATA KULIAH

B. OTORISASI

C. CAPAIAN PEMBELAJARAN

1. CPL-PRODI yang Dibebankan pada MK

• 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.

2. 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.

3. Sub-CPMK (Kemampuan Akhir Tiap Tahapan Belajar)

• Sub-CPMK 2.1: Mahasiswa mampu menunjukkan sikap kreatif dan inovatif dalam mengembangkan model data yang bermanfaat bagi masyarakat.
• Sub-CPMK 3.1: Mahasiswa mampu menjelaskan konsep-konsep dasar pemodelan data (konseptual, logikal, fisik).
• Sub-CPMK 4.1: Mahasiswa mampu menyusun model data dari tahap konseptual hingga logikal dan fisik secara sistematis.
• Sub-CPMK 6.1: Mahasiswa mampu mendokumentasikan model data secara sistematis dan sesuai standar.

D. DESKRIPSI MATA KULIAH

Mata kuliah Data Modelling memberikan pemahaman mendalam terkait prinsip, teknik, dan praktik dalam membangun representasi terstruktur dari data sebagai dasar perancangan sistem informasi dan analisis data.

Mahasiswa mempelajari berbagai jenis model data, termasuk model konseptual, logikal, dan fisikal, serta bagaimana membangun diagram Entity Relationship (ER), normalisasi data, dan skema basis data relasional.

Selain itu, mata kuliah ini juga memperkenalkan pemodelan data untuk kebutuhan analitik seperti dimensional modelling (star dan snowflake schema) yang digunakan dalam data warehouse.

Melalui mata kuliah ini, mahasiswa dibekali kemampuan untuk merancang struktur data yang efisien, konsisten, dan sesuai kebutuhan proses analisis dalam proyek sains data.

Mata kuliah ini memposisikan data modelling sebagai jembatan antara kebutuhan bisnis/proses analitik dengan implementasi basis data dan data warehouse, dengan penekanan khusus pada konteks sains data.

E. BAHAN KAJIAN DAN MATERI PEMBELAJARAN

Bahan Kajian:

1. Konsep Dasar Pemodelan Data dan Peranannya dalam Sistem Informasi dan Sains Data
2. Jenis-Jenis Model Data (Konseptual, Logikal, Fisik)
3. Perancangan Entity Relationship Diagram (ERD)
4. Normalisasi Data untuk Kualitas Model yang Optimal
5. Physical Data Model dan Implementasi Database
6. Dimensional Modelling untuk Data Warehouse dan Analitik

Materi Pembelajaran (16 Pertemuan):

Pertemuan 1: Pengantar Data Modelling & Perannya dalam Sistem Informasi dan Sains Data

• Konsep data, informasi, dan metadata
• Peran data modelling dalam siklus pengembangan sistem
• Data modelling vs database design vs data analysis
• Posisi data modelling dalam proyek sains data
• Contoh kegagalan sistem akibat model data yang buruk

Pertemuan 2: Kebutuhan Data & Business Rules

• Identifikasi kebutuhan data dari proses bisnis
• Stakeholder data (user, analyst, data scientist)
• Business rules dan constraint data
• Teknik elisitasi kebutuhan data
• Studi kasus sederhana (sistem akademik / e-commerce)

Pertemuan 3: Konsep Entity, Attribute, dan Relationship

• Entity dan entity set
• Attribute (simple, composite, multivalued, derived)
• Relationship dan degree
• Identifier (primary key konseptual)
• Contoh pemodelan kasus nyata

Pertemuan 4: Entity Relationship Diagram (ERD)

• Notasi ERD (Chen, Crow's Foot)
• Cardinality & participation
• Weak entity
• Generalization & specialization (ISA)
• Best practice dalam menggambar ERD

Pertemuan 5: Transformasi Conceptual Model ke Logical Model

• Mapping ERD ke model relasional
• Penentuan primary key & foreign key
• Resolusi relationship (1:N, M:N, ternary)
• Aturan mapping generalization

Pertemuan 6: Normalisasi Data (1NF – 3NF)

• Anomali data (insert, update, delete)
• Functional dependency
• Normal Form: 1NF, 2NF, 3NF
• Studi kasus normalisasi tabel

Pertemuan 7: Normalisasi Lanjutan & Evaluasi Model Data

• BCNF (pengenalan)
• Trade-off normalisasi vs performa
• Validasi logical data model
• Review model data studi kasus

Pertemuan 8: UJIAN TENGAH SEMESTER (UTS)

• Analisis kasus & perancangan model data (konseptual & logikal)

Pertemuan 9: Physical Data Model, SQL DML & SQL Views

• Logical vs physical data model
• Tipe data DBMS, index, constraint, dan naming convention (snake_case WAJIB)
• Implementasi DDL lengkap dalam MySQL
• SQL DML: INSERT (single/batch), SELECT+JOIN (INNER, LEFT, multi-tabel), UPDATE, DELETE
• SQL Views sebagai komponen physical model: tujuan, pembuatan, dan integrasi pipeline data science
• Stored Procedure: enkapsulasi logika bisnis, parameter IN/OUT
• Trigger: BEFORE/AFTER, audit log, validasi, masalah potensial
• Transaction dan ACID: Atomicity, Consistency, Isolation, Durability; COMMIT, ROLLBACK, SAVEPOINT

Pertemuan 10: Data Quality, Integrity, dan Governance

• Data consistency & integrity
• Referential integrity
• Metadata & data dictionary
• Dampak kualitas data terhadap analisis

Pertemuan 11: Pengantar Data Warehouse & Analytical Modelling

• OLTP vs OLAP
• Data warehouse & data mart
• Kebutuhan data analitik
• Perbedaan model operasional vs analitik

Pertemuan 12: Dimensional Modelling: Star Schema

• Konsep fact table & dimension table
• Measure dan grain
• Star schema
• Studi kasus analitik (penjualan, akademik)

Pertemuan 13: Dimensional Modelling: Snowflake Schema & Slowly Changing Dimensions

• Snowflake schema — kapan memilih vs star schema (trade-off performa vs storage)
• Perbandingan komprehensif star vs snowflake
• Slowly Changing Dimension: Type 1 (overwrite), Type 2 (add row/historis penuh), Type 3 (add column), Type 4 & 6 (variasi lanjutan)
• Decision matrix SCD per atribut dan best practices dimensional modelling

Pertemuan 14: Integrasi Model Data dalam Proyek Sains Data

• Model data sebagai dasar feature engineering
• Hubungan data warehouse & pipeline analitik
• Studi kasus end-to-end data modelling
• Review proyek mahasiswa

Pertemuan 15: Presentasi Proyek Akhir

• Presentasi conceptual, logical, physical & dimensional model
• Evaluasi desain model data
• Feedback & refleksi pembelajaran

Pertemuan 16: UJIAN AKHIR SEMESTER (UAS)

• Studi kasus komprehensif data modelling untuk kebutuhan analitik

F. STRATEGI PEMBELAJARAN

1. Pendekatan Pembelajaran

• Case-Based Learning: Pembelajaran berbasis studi kasus nyata (e-commerce, akademik, rumah sakit, fintech, UMKM digital)
• Project-Based Assessment: Mahasiswa mengerjakan proyek bertahap dari analisis kebutuhan hingga implementasi
• Collaborative Learning: Diskusi kelompok untuk analisis model data
• Problem-Solving Approach: Fokus pada penyelesaian masalah pemodelan data riil

2. Metode Pembelajaran

• Ceramah interaktif dan diskusi
• Demonstrasi tools pemodelan data
• Praktikum perancangan model data
• Studi kasus dan analisis
• Presentasi dan peer review
• Project-based learning

3. Progressive Project (Proyek Bertahap)

• Tahap 1: Analisis kebutuhan data dari domain bisnis (Pertemuan 2)
• Tahap 2: Conceptual model / ERD (Pertemuan 3–4)
• Tahap 3: Logical model — mapping ERD ke relasional (Pertemuan 5)
• Tahap 4: Normalized & validated logical model (Pertemuan 6)
• Tahap 5: Peer-reviewed & finalized logical model (Pertemuan 7)
• Tahap 6: Physical model — implementasi DDL, DML, dan Views dalam MySQL (Pertemuan 9)
• Tahap 7: Dimensional model — star schema & SCD untuk data warehouse (Pertemuan 12–13)

G. SISTEM PENILAIAN

1. Komponen Penilaian

2. Kriteria Penilaian

H. REFERENSI

1. Referensi Utama (Wajib)

1. Elmasri, R., & Navathe, S. B. (2016). 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: A Practical Guide for Business and IT Professionals (2nd Edition). Technics Publications. ISBN: 978-0977140060

2. Referensi Pendukung

1. Connolly, T., & Begg, C. (2014). Database Systems: A Practical Approach to Design, Implementation, and Management (6th Edition). Pearson.
2. Simsion, G., & Witt, G. (2004). Data Modeling Essentials (3rd Edition). Morgan Kaufmann.
3. Redman, T. C. (2008). Data Driven: Profiting from Your Most Important Business Asset. Harvard Business School Press. ISBN: 978-1422119129
4. Date, C. J. (2019). Database Design and Relational Theory: Normal Forms and All That Jazz (2nd Edition). Apress. ISBN: 978-1484255391

3. Referensi Online dan Dokumentasi

• Kimball Group Articles on Dimensional Modelling — https://www.kimballgroup.com (opens in a new tab)
• MySQL 8.0 Reference Manual — https://dev.mysql.com/doc/refman/8.0/en/ (opens in a new tab)
• MySQL Workbench Documentation — https://dev.mysql.com/doc/workbench/ (opens in a new tab)
• Draw.io / Diagrams.net (Getting Started & ERD Tutorial) — https://www.diagrams.net (opens in a new tab)
• IBM Data Modeling Documentation — https://www.ibm.com/docs/en/data-modeling (opens in a new tab)
• Databricks Medallion Architecture — https://www.databricks.com/glossary/medallion-architecture (opens in a new tab)

I. TOOLS DAN SOFTWARE YANG DIGUNAKAN

• MySQL 8+: DBMS utama untuk implementasi physical model — DDL, DML, Views, dan query analitik
• MySQL Workbench: GUI untuk perancangan skema, eksekusi DDL/DML, dan inspeksi database
• Draw.io (Diagrams.net): Tool utama untuk menggambar ERD konseptual, logikal, dan dimensional schema
• Microsoft Excel / Google Sheets: Untuk latihan normalisasi tabel, analisis data, dan tabel referensi SCD

Catatan: Semua tools yang digunakan adalah gratis/open source. ERDPlus, Lucidchart, dan tools lain yang sejenis boleh digunakan secara mandiri sebagai eksplorasi pribadi, tetapi tidak menjadi bagian dari tugas atau penilaian resmi.

J. KETENTUAN PERKULIAHAN

• Kehadiran: Mahasiswa wajib menghadiri minimal 75% dari total pertemuan untuk dapat mengikuti UAS
• Keterlambatan: Mahasiswa yang terlambat maksimal 15 menit masih diperkenankan mengikuti perkuliahan
• Tugas: Tugas individu dan kelompok dikumpulkan sesuai deadline yang ditentukan. Keterlambatan pengumpulan akan mengurangi nilai
• Integritas Akademik: Segala bentuk plagiarisme, kecurangan, dan pelanggaran etika akademik akan mendapat sanksi sesuai aturan universitas
• Komunikasi: Komunikasi terkait perkuliahan melalui LMS atau platform yang ditentukan dosen
• Proyek Kelompok: Setiap kelompok terdiri dari 3-4 mahasiswa dengan pembagian tugas yang jelas

K. RENCANA PEMBELAJARAN DETAIL

L. CATATAN PENTING UNTUK MAHASISWA

• Data modelling adalah fondasi penting dalam sains data. Model data yang baik akan memudahkan proses analisis dan meningkatkan kualitas insight yang dihasilkan.
• Jangan terlalu cepat fokus pada implementasi teknis (SQL). Pahami dulu MENGAPA sebuah desain model data dipilih.
• Banyak kegagalan proyek data disebabkan oleh model data yang buruk, bukan karena algoritma yang kurang canggih.
• Selalu tanyakan: "Mengapa model data ini cocok untuk analisis yang akan dilakukan?"
• Manfaatkan proyek kelompok untuk belajar kolaboratif dan simulasi proyek riil.
• Gunakan tools yang tersedia untuk mempermudah pekerjaan, tetapi pahami konsep dasarnya terlebih dahulu.

--- Akhir Dokumen RPS ---

Program Studi Sains Data
Fakultas Ekonomi dan Bisnis Islam
UIN K.H. Abdurrahman Wahid Pekalongan
2026