Topic outline

  • MATA KULIAH DATA MINING

    • Halo mahasiswa sekalian! Selamat datang di perkuliahan daring mata kuliah Data Mining. Senang rasanya dapat bertemu dengan kalian semua meskipun secara virtual. Semoga kalian dalam keadaan sehat dan siap untuk mengikuti mata kuliah ini dengan penuh semangat.

      Mata kuliah ini diselenggarakan oleh dua institusi pendidikan tinggi, yaitu Institut Teknologi Garut (ITG) dan Universitas Nusa Cendana (UNDANA). Dalam perkuliahan ini, kalian akan mendapatkan bimbingan dari dua pengajar yaitu :
      Nelci Dessy Rumlaklak, S.Kom., M.Kom., dari UNDANA, yang akan memandu pertemuan 1 hingga 7.
      Indri Tri Julianto, S.Kom., M.Kom., dari ITG, yang akan memandu pertemuan 9 hingga 15.
      Mata kuliah Data Mining ini memiliki relevansi yang sangat penting bagi kalian, terutama yang berencana untuk berkarier di bidang Data Science. Data mining adalah salah satu bidang ilmu komputer yang semakin penting di era digital ini. Mata kuliah data mining menawarkan berbagai keunggulan bagi mahasiswa yang ingin mengembangkan keterampilan analitis mereka dan memahami potensi data besar.
      Tujuan utama mata kuliah data mining adalah untuk membekali mahasiswa dengan kemampuan menganalisis data secara mendalam. Melalui pembelajaran berbagai teknik dan algoritma, mahasiswa diharapkan mampu menemukan pola, tren, dan informasi berharga yang tersembunyi dalam data besar. Dengan begitu, mahasiswa dapat membuat keputusan yang lebih baik, baik dalam konteks bisnis, penelitian, atau kehidupan sehari-hari. Selain itu, mata kuliah ini juga bertujuan untuk mempersiapkan mahasiswa agar siap menghadapi tantangan dunia kerja yang semakin berorientasi pada data.
      Perkuliahan ini terbagi menjadi 16 pertemuan terdiri dari 14 materi dan 2 pertemuan UTS dan UAS, yang mencakup berbagai topik mulai konsep Data Mining hingga penerapannya dengan Rapidminer. Setiap pertemuan akan dirancang untuk mendukung pemahaman kalian melalui materi, tugas, dan diskusi.
      Setiap pertemuan akan berdurasi sekitar 90 menit, dan kalian diharapkan menyediakan waktu tambahan sekitar 2 hingga 3 jam per minggu untuk mempelajari materi secara mandiri, menyelesaikan tugas, dan mengikuti diskusi. Jadi, pastikan kalian mengatur waktu dengan baik agar dapat mengikuti perkuliahan ini dengan optimal.
      Terima kasih atas perhatian kalian. Semoga perkuliahan ini memberikan wawasan baru yang bermanfaat dan pengalaman belajar yang menyenangkan bagi kalian semua. Sampai jumpa di pertemuan berikutnya!

       

  • P1-Pengantar Data Mining

    • Halo rekan-rekan sekalian! Pada awal pertemuan dari Mata Kuliah Data Mining ini kita akan belajar definisi data mining serta apa saja yang dilakukan dalam data mining. Selamat belajar! Semangat yaa!

      Sub CPMK:
      Mahasiswa mampu mengetahui pengertian, jenis pekerjaan dan pemanfaatan data mining (L1: C1)

      Materi:

      Pengantar Data Mining

      1. Definsi
      2. Pekerjaan
      3. Pemanfaatan

  • P2-Dataset

    • Halo rekan-rekan mahasiswa! Apa kabar? Apa masih semangat dalam mengikuti pembelajaran daring ini? Kita akan melanjutkan materi pada pertemuan ke 2 ini yang akan membahas tentang dataset. Pembelajaran tentang dataset ini meliputi definisi serta jenis-jenis data set yang bisa kita gunakan untuk menganalisis. Selamat belajar! Selalu Semangat yaa!

      Sub-CPMK : 

      Mahasiswa mampu menjelaskan definisi data set, jenis-jenis atribut, dan jenis-jenis data set (L2: C2)

      Materi :

      Dataset

    • Dataset URL

      Berikut merupakan kumpulan dataset yang dapat digunakan selama perkuliahan ini

  • P3-Metodologi Data Mining

    • Halo rekan-rekan mahasiswa semuanya! Masih semangat untuk belajar data mining? Pada Pertemuan yang ke - 3 ini kita belajar tentang tahapan-tahapan dari data mining dengan pendekatan CRISP DM dan Knowledge Discovery in Databases. Selamat belajar! Selalu Semangat yaa!

      Sub-CPMK : 

      Mahasiswa mampu menguraikan tahapan Cross Industry Standard Process for Data Mining (CRISP-DM) (L3: C2)

      Materi :

      1. Tahapan Data Mining
      2. CRIPS-DM
      3. KDD

  • P4-Pre-Processing Data (Part 1)

    • Rekan-rekan mahasiswa sekalian, kita kembali akan melanjutkan materi di pertemuan ke-4. Kali ini kita akan memulai dengan melakukan pre-processing atau mempersiapkan data kita untuk dianalisis. Tahapan ini menjadi penting karena akan mempengaruhi hasil yang diinginkan. Saya harap kalian semua selalu bersemangat! Selamat belajar! 

      Sub-CPMK: 

      Mahasiswa mampu melakukan proses awal dataset sehingga menjadi inputan yang baik dalam proses data mining (L4: C3)

      Materi:

      Proses Awal Dataset
      1. data cleaning
      2. data transformation

  • P5-Pre-Processing Data (Part 2)

    • Halo rekan-rekan mahasiswa! Materi pada pertemuan ke-5 merupakan kelanjutan dari tahapan pre-processing dalam mempersiapkan dataset sebelum dianalisis. Selamat belajar! Selalu Semangat yaa!

      Sub-CPMK : 

      Mahasiswa mampu melakukan proses awal dataset sehingga menjadi inputan yang baik dalam proses data mining (L4: C3)

      Materi :

      Proses Awal Dataset
      3. data reduction
      4. data integration

  • P6-Klasterisasi & Evaluasi Kinerja (Part 1)

    • Halo rekan-rekan mahasiswa! Apa kabar? Apa masih semangat dalam mengikuti pembelajaran daring ini? Kita akan melanjutkan materi pada pertemuan ke 6 ini yang akan membahas tentang salah satu manfaat dari data mining yaitu klastering. Kita akan belajar tentang pemodelan klasterisasi dan jenis-jenis klasterisasi. Selamat belajar! Selalu Semangat yaa!

      Sub-CPMK : Mahasiswa mampu memproseskan klaterisasi dan evaluasi modelnya (L5: C3)

      Materi :

      1. Pemodelan Klasterisasi
      2. Jenis-jenis Klasterisasi

  • P7-Klasterisasi & Evaluasi Kinerja (Part 2)

    • Halo rekan-rekan mahasiswa! Apa masih semangat dalam mengikuti pembelajaran daring ini? Kita akan melanjutkan materi pada pertemuan ke 7 ini yang akan melanjutkan pembahasan tentang klastering. Pada pertemuan ini kita belajar salah satu algoritma klastering dalam contoh dataset sederhana kemudian melakukan evaluasi modelnya. Selamat belajar! Selalu Semangat yaa!

      Sub-CPMK: Mahasiswa mampu memproseskan klaterisasi dan evaluasi modelnya (L5: C3)

      Materi: Algoritma Klasterisasi: K-Means dan Evaluasi Model

  • P8-Ujian Tengah Semester

  • P9-Klasifikasi dan Evaluasi Kinerja (Part 1)

    • Halo rekan-rekan semuanya! Selamat datang kembali di kelas Data Mining setelah UTS kemarin! Pada pertemuan kali ini, kita akan membahas topik yang sangat relevan: Klasifikasi dan evaluasi kinerja model. Materi pertemuan ini akan dibagi menjadi dua bagian, dimana untuk bagian pertama ini akan dibahas sebagaimana tampak pada Materi dibawah ya.

      Mari kita mulai dengan semangat!!!

       

      Sub-CPMK : Mahasiswa mampu mendemostrasikan klasifikasi dan evaluasi modelnya (L6: C3)

      Materi :

      1. Pemodelan Klasifikasi
      2. Evaluasi Model Klasifikasi: Confussion matrix, AUC, ROC
      3. Algoritma Klasifikasi: Decission tree

    • Kuis Klasifikasi Part 1 Interactive Content

      Untuk mengukur kemampuan pemahaman kalian pada materi ini, silahkan isi kuis berikut !

  • P10-Klasifikasi dan Evaluasi Kinerja (Part 2)

    • Halo lagi, teman-teman! Kita sudah memulai pembahasan tentang Klasifikasi Data Mining, dan sekarang saatnya kita masuk ke bagian selanjutnya yaitu menggunakan Algoritma Naive Bayes dan KNN. Jadi, siapkan diri Anda untuk memahami konsep yang menarik ini!!!

      Sub-CPMK : Mahasiswa mampu mendemostrasikan klasifikasi dan evaluasi modelnya (L6: C3)

      Materi :

      1. Pemodelan Klasifikasi
      2. Evaluasi Model Klasifikasi: Confussion matrix, AUC, ROC
      3. Algoritma Klasifikasi: Naive Bayes dan K-Nearest Neighbour (KNN)

  • P11-Estimasi dan Evaluasi Kinerja

    • Halo semua! Kita telah menjelajahi topik klasifikasi, dan sekarang saatnya memperdalam pemahaman kita dengan materi baru. Hari ini, kita akan membahas tentang estimasi dan bagaimana kita mengukur seberapa baik model kita bekerja dalam mengestimasi nilai-nilai tertentu. Evaluasi kinerja model juga akan menjadi fokus kita. Jadi, mari kita simak bersama!

      Sub-CPMK : Mahasiswa mampu mengimplementasikan teknik estimasi dan forecasting dalam data mining (L7: C3)

      Materi :

      1. Pemodelan estimasi
      2. Pemodelan forecasting
      3. Evaluasi Model
      4. Algoritma Estimasi & forecasting: Linear Regression, NeuralNetwork, SVM, Deep Learning.

       

  • P12-Forecasting dan Evaluasi Kinerja

    • Halo semuanya!!!!! Masih semangat? Kita telah menjelajahi beberapa topik menarik sebelumnya, dan sekarang kita akan memasuki wilayah forecasting. Dalam dunia data mining, forecasting adalah tentang memprediksi nilai-nilai di masa depan berdasarkan data historis. Kita akan belajar bagaimana model dapat membantu kita melakukan prediksi ini. Selain itu, kita juga akan membahas cara mengukur seberapa baik model kita dalam melakukan forecasting. Jadi, mari kita mulai!

      Sub-CPMK : Mahasiswa mampu mengimplementasikan teknik estimasi dan forecasting dalam data mining (L7: C3)

      Materi :

      1. Pemodelan estimasi
      2. Pemodelan forecasting
      3. Evaluasi Model
      4. Algoritma Estimasi & forecasting: Linear Regression, NeuralNetwork, SVM, Deep Learning.

  • P13-Asosiasi dan Evaluasi Kinerja

    • Terima kasih rekan-rekan masih semangat belajar di Mata Kuliah Data Mining ini! Kita telah menjelajahi berbagai konsep dalam data mining, dan sekarang kita akan membahas tentang asosiasi. Konsep ini berkaitan dengan menemukan hubungan antara item atau entitas dalam data kita. Misalnya, bagaimana kita dapat mengidentifikasi pola pembelian bersamaan di toko atau bagaimana suatu gejala kesehatan mungkin terkait dengan gejala lain. Kita akan mempelajari algoritma dan metode yang digunakan untuk menemukan asosiasi ini. Jadi, mari kita simak dengan seksama!

      Sub-CPMK : Mahasiswa mampu menggunakan teknik analisis asosiasi dalam data mining (L8: C4)

      Materi :

      1. Pemodelan Asosiasi
      2. Evaluasi Model Asosiasi
      3. Algoritma Asosiasi : Correlation Matrix , FP-Growth

  • P14-Studi Literatur Project Akhir

    • Akhirnya materi sudah selesai, tinggal Project Akhir nih! Kita telah menjelajahi berbagai konsep dalam data mining, dan sekarang kita akan membahas tentang studi literatur. Studi literatur adalah langkah awal yang sangat penting dalam menyusun proyek akhir. Dalam tahap ini, kita akan melakukan pencarian, peninjauan, dan analisis literatur yang relevan dengan topik proyek kita. Ingat, sumber-sumber yang kredibel dan relevan sangat penting. Jadi, mari kita mulai memahami landasan teori dan penelitian sebelumnya!

      Sub-CPMK : Mahasiswa mampu membandingkan penerapan data mining dari hasil penelitian yang sudah ada secara sistematis (L9: C4, A3)

      Materi :

      1. Studi Literatur Buku

      2. Studi Literatur Artikel Jurnal

  • P15-Perancangan Laporan Project Akhir

    • Wahh Kalian Biasa diluar, ehh Luar Biasa Hahaha !!! Kalian sudah sampai di tahap akhir, yaitu sekarang kita akan mulai menyusun laporannya. Laporan dibuat dalam format Artikel Jurnal ya. Untuk penjelasan lebih detail, rekan-rekan simak Video pemaparan dari saya dengan seksama ya !!

      Sub-CPMK : Mahasiswa mampu mengevaluasi penerapan data mining dari hasil penelitian yang sudah ada dengan berpikir kritis (L10: C5, A4)

      Materi :

      Laporan Perancangan dalam Format Artikel Jurnal

  • Laporan Project Akhir

    • Hebat!!! wonderful!!! 素晴らしい!!! ,훌륭한 !!!

      Terima kasih rekan-rekan sudah mau berjuang di kelas Data Mining ini. Saatnya rekan-rekan menyelesaikan laporannya ya. Buat semaksimal yang kalian bisa yaaa.

      Sub CPMK : Mahasiswa mampu merancang penerapan data mining dalam bentuk proposal penelitian secara sistematis dan inovatif (L11: C6, A5, P3)

      Materi :

      Laporan Akhir dalam bentuk Artikel Jurnal

  • Ujian Akhir Semester