Topic outline

  • MATA KULIAH DATA SCIENCE

    cover mk data science

    Halo semuanya!

      

    Selamat  datang di Mata Kuliah Data Science.

    Perkenalkan saya adalah Ir. Mega Bagus Herlambang, ST, MT, PhD, IPM, ASEAN.Eng, kalian bisa panggil saya Pak Mega. Saya akan menemani kalian belajar bersama tentang Data Science.

    Sedikit informasi ke kalian tentang background pendidikan saya.

    Saya menyelesaikan pendidikan S1 saya dari Teknik Industri ITB, kemudian saya melanjutkan S2 di Teknik dan Manajemen Industri juga dari ITB. Setelah itu saya meneruskan pendidikan doktoral S3 dengan beasiswa LPDP di Artificial Intelligence di University of Groningen, Belanda.

    Selain sebagai dosen pengajar di mata kuliah ini, saya juga merupakan praktisi profesional di bidang data science. Saya sudah membantu memberikan solusi terkait data science di banyak perusahaan baik skala nasional maupun perusahaan luar negeri. Saya bisa bercerita banyak ke kalian tentang bagaimana implementasi data science di level korporasi dan perusahaan.

    Ada istilah tak kenal maka tak sayang. Nah sekarang gantian saya juga ingin mengenal kalian. Silakan masing-masing dari kalian saling memperkenalkan diri melalui portal forum yang ada di bawah ini ya.

    • Perkenalan Forum
      Silakan memperkenalkan diri melalui forum ini.

      Buat topik diskusi baru dengan menuliskan:

      • Nama lengkap
      • NIM
      • Asal kampus

      Jangan lupa upload foto kalian ya, agar sesama mahasiswa mata kuliah ini bisa saling mengenal.

      Termasuk saya juga bisa mengenali kalian nanti jika kita ketemu di jalan 😊

  • INFORMASI PERKULIAHAN

    Pelaksanaan mata kuliah Data Science ini dilakukan secara asinkron penuh melalui LMS SPADA.
    Bobot mata kuliah ini adalah 2 SKS, di mana 1 SKS setara dengan 45 jam/semester. Oleh karena itu, untuk mata kuliah ini kalian harus menyiapkan waktu belajar selama 90 jam/semester.
       

    Apa yang kalian pelajari di mata kuliah ini?

    Mata kuliah ini memberikan pembelajaran kepada kalian bagaimana melakukan analisis data secara scientific dengan menggunakan algoritma machine learning, dimulai dari tahap pengumpulan data, preprocessing, modeling, hingga tahap evaluasi model. Pada mata kuliah ini kalian juga mendapatkan gambaran bagaimana proyek nyata data science di lapangan bisa diselesaikan, mulai dari tahapan identifikasi masalah hingga finalisasinya. Tentunya di akhir nanti kalian diharapkan bisa melakukan analisis data science sederhana melalui sebuah project data science yang kalian kerjakan, dan project ini bisa kalian jadikan sebagai portfolio data scientist kalian. Seru kan! 😊

    Berikut adalah garis besar materi pembelajaran yang akan kalian pelajari:

    1. Pengenalan Data Science dan Big Data
    2. Pengenalan tipe-tipe data 
    3. Statistik deskriptif
    4. Machine Learning
    5. CRISP-DM

    Software Yang Digunakan:

    Orange Data Mining

    Referensi: https://orangedatamining.com/ 

    Logo Orange

    Penilaian Perkuliahan

    Nilai Perkuliahan : Tugas= 35%, UTS = 25%, Project (UAS) = 40%

    Proporsi penilaian untuk mata kuliah ini bisa kalian lihat di atas.

    Di setiap pertemuan selalu ada tugas, baik secara individu maupun kelompok.

    Tenang saja, tugas ini tidak memberatkan kalian, karena tugas ini hanya untuk mengukur dan memastikan bahwa kalian memang sudah memahami dan mengerti semua materi yang dijelaskan di setiap pertemuan.

    Kemudian untuk UTS nanti dilakukan secara online di LMS SPADA pada pertemuan ke-8 dengan menjawab beberapa soal pilihan ganda.

    Pertanyaan terkait UTS, maka pertanyaan dari semua materi sebelumnya (pertemuan 1-7), jadi pastikan semua materi sudah kalian pelajari ya.

    Lalu untuk UAS berupa project yang harus kalian kerjakan secara berkelompok. Persentase nilai UAS ini adalah proporsi tertinggi untuk kalian, karena memang didesain untuk mengukur skill kalian dalam melakukan analisis data science berbasis project.

    Untuk bisa menyelesaikan kuliah ini (lulus kuliah) dan mendapatkan sertifikat, pastikan kalian sudah menyelesaikan setiap item yang ada di LMS ini seperti mengunduh materi, menyelesaikan tugas, mengerjakan kuis, menonton video, dan lain-lain. Pastikan sudah menyelesaikan semuanya 100% ya.

    Materi apa saja yang akan dipelajari bisa dilihat melalui RPS (Rencana Pembelajaran Semester), dan bisa kalian unduh melalui link di bawah ini.

  • REFERENSI

    Berikut adalah beberapa referensi yang digunakan pada mata kuliah kali ini.

    Silakan kalian unduh (download) semua referensinya ya.

  • Pertemuan 1

    Halo semuanya,

    Di pertemuan pertama ini kita akan lebih banyak berkenalan tentang data.

    Kita akan mendalami lebih jauh peranan data di dunia kita sehari-hari dan yang tidak kalah penting adalah peranan data di industri.

    Kemudian kita akan membahas definisi tentang apa itu Data Science.

    Untuk menunjang materi pembelajaran, saya sudah siapkan juga materi lengkapnya, antara lain:

    • Modul Mata Kuliah Data Science
    • Slides kuliah tiap pertemuan
    • Video pembelajaran dan tutorial

    Kemudian nanti untuk memastikan bahwa kalian sudah paham tentang materi yang kita bahas di pertemuan ini, maka ada tugas yang harus kalian kerjakan.

    Jika kalian sudah tidak sabar, yuk kita bahas bersama-sama 😊

  • Pertemuan 2

    Halo semuanya,

    Sekarang kita sudah berada di pertemuan kedua di mana kita akan bahas tentang pentingnya ilmu matematika dan statistik untuk data science.

    Kemudian dilanjutkan dengan pembahasan tentang sejarah data mining yang memiliki hubungan erat dengan data science, dan tentunya perbedaan antara keduanya.

    Kita juga akan membahas tentang sejarah dan proses terjadinya revolusi industri 4.0.

    Hal yang tidak kalah penting juga adalah proses berlangsungnya transformasi digital yang sekarang sedang terjadi.

    Kemudian nanti untuk memastikan bahwa kalian sudah paham tentang materi yang kita bahas di pertemuan ini, maka ada tugas yang harus kalian kerjakan.

    Yuk, langsung saja kita bahas bersama-sama!

  • Pertemuan 3

    Halo,

    Sekarang kita sudah di pertemuan ketiga, sudah siap untuk belajar lebih dalam lagi tentang data science?

    Nah, di pertemuan ketiga ini pertama kita akan membahas tentang bahasa pemrograman yang sering digunakan di bidang data science.

    Kemudian kita akan membahas tentang topik yang seru yaitu machine learning.

    Machine learning ini adalah 'bahan baku' untuk membuat produk AI (artificial intelligence) loh.

    Kemudian machine learning adalah tools utama dalam analisis data science.

    Kita akan bahas apa saja jenis-jenis machine learning, dan perbedaan mendasarnya.

    Setelah membahas machine learning tentunya kalian diharapkan mampu memahami konsep pentingnya dan bisa mendapatkan gambaran tentang teknologi machine learning yang ada di sekeliling kita.

    Pembahasan yang tidak kalah seru lagi adalah tentang alur tahap analisis di data science.

    Kemudian nanti untuk memastikan bahwa kalian sudah paham tentang materi yang kita bahas di pertemuan ini, maka ada tugas yang harus kalian kerjakan.

    Yuk, langsung saja kita bahas bersama-sama!

  • Pertemuan 4

    Halo,

    Sekarang kita masuk di pertemuan keempat!

    Pada pertemuan ini kita akan membahas tentang tahapan preprocessing, di mana ini merupakan tahapan yang krusial dalam data science yang tidak boleh dilewatkan.

    Mudahnya, preprocessing ini seperti mempersiapkan semua bahan baku yang diperlukan untuk membuat makanan yang enak disantap.

    Nah jika pengolahan bahan baku ini tidak sesuai, atau sebagai perumpamaan kita memasak makanan namun ada bumbu yang terlupa, maka kemungkinan hasil akhir masakannya kurang nikmat. Nah proses persiapan untuk membuat masakan inilah yang disebut dengan tahapan preprocessing.

    Di sini kita akan membahas juga langkah-langkah apa saja yang dilakukan dalam preprocessing ini.

    Kemudian nanti untuk memastikan bahwa kalian sudah paham tentang materi yang kita bahas di pertemuan ini, maka ada tugas yang harus kalian kerjakan.

    Nantinya praktik preprocessing secara detail akan kita lakukan menggunakan software Orange setelah UTS.

    Yuk langsung saja kita bahas bersama-sama tentang preprocessing.

    • Forum Diskusi Pertemuan 4

      Yuk gunakan forum ini untuk berdiskusi dengan saya terkait Pertemuan 4 MK Data Science.

      Silakan jika ada pertanyaan atau hal lain ya.

    • Tugas Pertemuan 4 Assignment

      Di tugas pertemuan 4 ini ada 2 soal/tugas. Satu tugas berasal dari modul, tugas lain merupakan tugas kelompok.

      Gabungkan semua jawaban (soal modul dan soal kelompok) jadi satu dalam format PDF.

      Soal modul

      1. Jelaskan apa yang dimaksud dengan data preprocessing.
      2. Jelaskan alasan mengapa data preprocessing perlu dilakukan?
      3. Jelaskan cara melakukan data imputation untuk data bertipe numerik dan kategori.
      4. Jelaskan bagaimana cara mengatasi outlier.
      5. Jelaskan best practice untuk melakukan feature selection

      Soal kelompok

      Dalam satu kelas, kumpulkan setidaknya 8 jenis data dari semua orang dari kelas kalian.

      Karena kelas ini terdiri dari 2 kategori (ITI dan Unpam), maka kelompok kalian cukup mengumpulkan data kategori kelas asal.

      Jika kalian mahasiswa ITI, maka cukup kumpulkan data untuk semua mahasiswa ITI yang ikut kelas data science ini. Begitu juga dengan mahasiswa dari Unpam, cukup kumpulkan data dari mahasiswa Unpam saja.

      Data yang dikumpulkan harus bertipe numerik (angka), misal usia, berat badan, tinggi badan, ukuran sepatu, dan lain-lain (bebas, totalnya ada 8 data).

      Sekarang buatlah kelompok yang terdiri dari 3-5 orang, dan dari 8 data tadi pilih 2 data.

      Perhatikan bahwa setiap kelompok tidak boleh memiliki kombinasi data yang sama.

      Lalu rekap data tersebut dan buat tabel yang terdiri dari 2 kolom data tadi.

      Sekarang dari 2 data yang sudah dikumpulkan setiap kelompok:

      • Hitung nilai mean, median, dan modusnya
      • Jika ada nilai kosong (misal kalian tidak mendapatkan data teman kalian), maka isikan data tersebut dengan nilai mean.
      • Buat scatter plot (diagram sebar) antara 2 variabel. Jadikan salah satu variabel sebagai nilai sumbu x, dan jadikan 1 variabel sebagai nilai sumbu y.
      • Kelompok kalian presentasikan 2 data tersebut dan upload videonya ke Youtube. Jelaskan ada informasi menarik apa yang bisa didapatkan dari kedua data tersebut. Jelaskan juga berapa nilai mean, median, dan modus, dan tahapan preprocessing apa yang kalian lakukan (jika ada) dengan menggunakan tool sederhana seperti Excel.
      • Kumpulkan link youtube ke dalam PDF bersamaan dengan soal modul.

      Catatan: Walau soal kelompok, namun setiap individu tetap wajib mengumpulkan tugas. Jika ada pertanyaan, bisa ditanyakan di forum pertemuan 4 ya.

      Standar penilaian tugas kelompok bisa dilihat melalui rubrik yang ada di RPS. 

  • Pertemuan 5

    Halo,

    Sekarang kita masuk di pertemuan kelima!

    Kita akan bahas lebih detail tentang supervised learning, dan diharapkan kalian bisa melihat sekian banyak penerapan supervised learning di sekeliling kalian.

    Nah supervised learning ini dibagi menjadi dua jenis algoritma, yaitu regresi dan klasifikasi.

    Kita akan bahas perbedaan antara keduanya pada materi kali ini.

    Beberapa tugas yang diberikan nanti mengharuskan kalian untuk bisa menjelaskan beberapa algoritma supervised learning, dan tentunya mengaitkan implementasinya dengan kasus nyata yang kalian temukan.

    Jika sudah tidak sabar membahas lebih detail, langsung saja kita kaji bersama-sama!

  • Pertemuan 6

    Halo,

    Sekarang kita masuk di pertemuan keenam!

    Kita masuk ke area unsupervised learning yang memang berbeda sekali dengan supervised learning. 

    Unsupervised learning adalah metode machine learning yang tidak menggunakan target.

    Nah kita akan explore lebih jauh lagi melalui video pembelajaran, modul, dan slide PPT pada pembahasan kali ini.

    Untuk memastikan bahwa kalian sudah memahami materi pertemuan ini, maka kalian juga diharuskan bisa menemukan dan menceritakan beberapa kasus nyata terkait unsupervised learning di sekitar kalian.

    Yuk langsung saja, kita bahas bersama-sama!

  • Pertemuan 7

    Halo,

    Sekarang kita masuk di pertemuan ketujuh!

    Sebelumnya, kita sudah memahami pondasi dasar di data science, meliputi pengenalan data science, jenis-jenis data digital, tahapan di data science, dan machine learning.

    Sekarang kita sudah masuk ke bagian praktik.

    Kita akan menggunakan piranti lunak (software) Orange.

    Nah pada bagian ini kita akan membahas tentang bagaimana cara memasang (install) Orange di komputer kita, sekaligus kita membahas fitur-fitur dasar di Orange dan cara mengeksplorasi data di Orange.

    Pastikan juga tugas pertemuan ini dikerjakan ya. Tugasnya mudah, cukup install software Orange ini saja!

    Yuk, langsung saja kita bahas tentang software Orange!

  • Pertemuan 8 - UTS

    Halo,

    Sekarang kita sudah memasuki Ujian tengah Semester (UTS). 

    Silakan kerjakan soal pilihan ganda berikut dalam waktu 60 menit ya.

      • Ujian Tengah Semester (UTS) Quiz

        Kerjakan UTS yang terdiri dari 60 soal pilihan ganda, dan selesaikan dalam 60 menit.

        Hanya bisa dikerjakan 1 kali.

        Jika waktu habis, maka jawaban akan tersimpan otomatis.

    • Pertemuan 9

      Halo,

      Sekarang kita masuk di pertemuan kesembilan!

      Sebelum melanjutkan, pastikan di komputer kalian sudah terinstall software Orange ya.

      Nah di pembelajaran kali ini kita akan mendemonstrasikan teknik preprocessing seperti pembersihan data, mengatasi outlier, feature scaling, feature engineering di Orange.

      Untuk memastikan kalian sudah memahami tahapan preprocessing yang kita bahas di pertemuan ini, maka ada tugas yang harus kalian kerjakan.

      Yuk, langsung saja kita bahas materinya!

    • Pertemuan 10

      Halo,

      Sekarang kita masuk di pertemuan kesepuluh!

      Kita masih akan membahas tentang teknik preprocessing.

      Pada pertemuan ini teknik preprocessing yang kita bahas adalah pembersihan data, mengatasi outlier, feature scaling, feature engineering di Orange

      Barangkali ada istilah-istilah (jargon) asing di atas yang baru saja kalian dengar. tenang saja, kita akan bahas detail prakteknya di orange seperti apa, sehingga kalian mendapatkan gambaran eksekusinya di lapangan nanti seperti apa.

      Untuk memastikan kalian sudah memahami tahapan preprocessing yang kita bahas di pertemuan ini, maka ada tugas yang harus kalian kerjakan.

      Yuk, langsung saja kita bahas materinya!

    • Pertemuan 11

      Halo,

      Tidak terasa kita sekarang sudah memasuki pertemuan ke-11.

      Jika sebelumnya kita sudah membahas dan sekaligus praktek tentang tahapan preprocessing di Orange, maka sekarang saatnya membuat model machine learning di Orange.

      Model machine learning yang kita bahas adalah supervised learning.

      Tidak hanya membuat model saja, tapi juga kita bahas tentang bagaimana cara melakukan evaluasi model supervised learning di Orange, baik regresi maupun klasifikasi.

      Seperti biasa, untuk memastikan bahwa tahapan pembuatan model supervised learning di Orange sudah bisa kalian praktekkan dengan benar, maka ada tugas yang harus kalian kerjakan dengan menggunakan Orange.

      Yuk langsung saja kita bahas bersama-sama.

      • Forum Diskusi Pertemuan 11

        Yuk gunakan forum ini untuk berdiskusi dengan saya terkait Pertemuan 11 MK Data Science.

        Silakan jika ada pertanyaan atau hal lain ya.

      • Tugas Pertemuan 11 Assignment

        Kerjakan tugas 11 secara berkelompok (1 kelompok 3-4 orang).

        • Cari 1 file dataset (format excel/csv) untuk regresi/klasifikasi (pilih salah satu) dari web berikut: https://archive.ics.uci.edu/datasets
        • Dari file tersebut Buat workflow machine learningnya di Orange.
        • Buat presentasi kelompok dan jelaskan workflow tersebut dalam bentuk video lalu upload ke Youtube.

        Kumpulkan beberapa file berikut dalam format ZIP/RAR/7ZIP:

        • File mentah dataset yang digunakan (format excel/csv)
        • File workflow Orange (*.ows)
        • File PPT
        • Link Youtube

        Dikumpulkan paling lambat 8 Desember 2024.

        Besarnya nilai ditentukan dari tingkat kedetailan workflow dan penjelasannya (mulai dari membuka file hingga tahapan evaluasi).

        Semakin detail maka semakin baik.

    • Pertemuan 12

      Halo,

      Sekarang kita sudah memasuki pertemuan ke-12.

      Sebelumnya kita sudah bahas 2 algoritma supervised learning yaitu regresi dan klasifikasi.

      Kita juga sudah membahas tentang bagaimana cara membuat model supervised learning dan cara evaluasi modelnya di Orange.

      Di pertemuan ke-12 ini kita akan bahas bagaimana membuat model dari algoritma unsupervised learning termasuk bagaimana cara melakukan evaluasi modelnya.

      Nah nantinya juga ada tugas tentang praktik unsupervised learning untuk memastikan bahwa kalian benar-benar sudah mampu mempraktikkan pembuatan model dan evaluasi model unsupervised learning di Orange.

      Yuk langsung saja kita bahas bersama-sama tentang unsupervised learning.

      • Forum Diskusi Pertemuan 12

        Yuk gunakan forum ini untuk berdiskusi dengan saya terkait Pertemuan 12 MK Data Science.

        Silakan jika ada pertanyaan atau hal lain ya.

      • Tugas Pertemuan 12 Assignment

        Kerjakan tugas 12 secara berkelompok (1 kelompok 3-4 orang).

        • Cari 1 file dataset (format excel/csv) untuk Clustering dari web berikut: https://archive.ics.uci.edu/datasets
        • Dari file tersebut Buat workflow machine learningnya di Orange.
        • Buat presentasi kelompok dan jelaskan workflow tersebut dalam bentuk video lalu upload ke Youtube.

        Kumpulkan beberapa file berikut dalam format ZIP/RAR/7ZIP:

        • File mentah dataset yang digunakan (format excel/csv)
        • File workflow Orange (*.ows)
        • File PPT
        • Link Youtube

        Dikumpulkan paling lambat 12 Desember 2024.

        Besarnya nilai ditentukan dari tingkat kedetailan workflow dan penjelasannya (mulai dari membuka file hingga tahapan evaluasi).

        Semakin detail maka semakin baik.

    • Pertemuan 13

      Halo,

      Sekarang kita memasuki pertemuan ke-13.

      Kita sudah masuk ke pembahasan terkait dengan project data science (project-based learning).

      Nah di materi kali ini kita akan bahas framework CRISP-DM yang akan kita gunakan sebagai panduan dalam pengerjaan project data science di lapangan.

      Materi terkait ini bisa kalian pelajari melalui slides dan modul pembelajaran yang sudah disediakan.

      Jangan lupa untuk mengerjakan tugas di pertemuan ini untuk melihat pemahaman kalian dengan konsep CRISP-DM.

      Yuk langsung kita pelajari bersama-sama.

    • This topic

      Pertemuan 14

      Halo,

      Sekarang kita memasuki pertemuan ke-14.

      Kita akan melanjutkan kembali pembahasan tentang pengerjaan project data science menggunakan CRISP-DM.

      Nah pada pertemuan ini kalian diharapkan sudah bisa membuat rancangan CRISP-DM untuk bisa menyelesaikan salah satu permasalahan data science.

      Kalian bisa mencari datanya dari lingkungan sekitar kalian seperti data di perusahaan, UMKM, atau bisa juga menggunakan dataset yang tersedia di internet.

      Salah satu link URL yang bisa kalian gunakan untuk mencari dataset adalah sebagai berikut: https://archive.ics.uci.edu/datasets. 

      Rancangan project yang kalian buat harus dalam format kelompok 3-5 orang.

      Project yang kalian selesaikan ini yang nantinya akan menjadi tugas akhir kalian di tahap UAS.

      Pastikan kerjakan dengan serius ya.

      Jika ada pertanyaan, kita diskusikan di forum diskusi pertemuan 14.

      • Forum Diskusi Pertemuan 14

        Yuk gunakan forum ini untuk berdiskusi dengan saya terkait Pertemuan 14 MK Data Science.

        Silakan jika ada pertanyaan atau hal lain ya.

      • Tugas Pertemuan 14 Assignment

        Buat tugas kelompok draft project-based learning terdiri dari 3-5 orang.

        Draft ini nantinya menjadi tugas utama untuk UAS.

        Terdapat 2 alternatif untuk mengerjakan tugas utama ini:

        1. Cari masalah nyata di lapangan yang ingin diselesaikan dan pastikan terdapat data yang memadai (nilai penuh).
        2. Jika tidak menemukan masalah di dunia nyata bisa menggunakan dataset melalui link berikut: https://archive.ics.uci.edu/datasets (nilai 75%).

        Jabarkan permasalahan tersebut menggunakan framework CRISP-DM.

        Kumpulkan dalam format PDF maksimal 2 halaman.