Topic outline

  • PENAMBANGAN DATA [DATA MINING]

    SELAMAT BERGABUNG DI MATA KULIAH PENAMBANGAN DATA

    Silakan perhatikan ketentuan dan materi pembelajaran yang tersedia.
    Apabila ada pertanyaan atau respon terkait mata kuliah ini bisa menghubungi saya via WhatsApp di 0853 4757 9080. Semoga Sukses selalu :)

    Salam,
    Dr. Heny Pratiwi, S.Kom., M.Pd., M.TI


    Berikut keterangan untuk MK. Penambangan Data

    Kode : SIT5255 

    Bobot : 2 SKS 

    Sifat : Wajib

    Prasyarat : Tidak Ada 

    Praktikum : Tidak Ada 

    Capaian Pembelajaran : Dapat mengetahui dan memahami konsep data mining agar mampu melakukan penerapan atas teknik-teknik dan model sistem data mining dengan memanfaatkan aplikasi/tools yang digunakan dalam data mining.

    Pustaka :
    1. Jiawei, Han., Micheline, Kamber. 2011, Data Mining: Concepts and Techniques, 3rd Edition, The Morgan Kaufmann Series in Data Management Systems. 

    2. Olson, David L, and Dursun Delen., 2008, Advanced Data Mining Technique, Springer. 

    3. Olson, David., and Yong Shi., 2007, Introduction to Business Data Mining, McGraw- Hill/Irwin, International Edition. 

    4. Sumathi S., and Sivanandam, S.N., 2006, Introduction to Data Mining and Its Applications, Springer. 

    5. Tan, Pang Ning., Steinbach, Michael., and Kumar, Vipin., 2006, Introduction to Data Mining. Addison-Wesley.

  • Pertemuan 1 - Pengantar Data Mining (Introduction To Data Mining)

    • Materi 1 - Pengantar Data Mining File

      • Banjir Data
      • Kenapa Harus Menambang Data?
      • Evolusi Tiada Henti
      • Dalam 60 DETIK, Data Begitu Banyak?
      • Apakah Banyak Data berarti Banyak Informasi?
      • Apa itu Data Mining?
      • Manfaat Data Mining.
      • Contoh - Analisis Pola Pembelian di Swalayan
      • Contoh - Analisis Pola Prestasi Akademik Mahasiswa di Perguruan Tinggi
      • Contoh - Aplikasi Ojek Online
      • Penambangan Data dan Kecerdasan Bisnis
      • Data Mining ITU Multi Disiplin Ilmu.

  • Pertemuan 2 - Mengenal Data (Getting To Know Your Data)

    • Materi 2 - Mengenal Data File

      • Dari Data ke Kecerdasan
      • Keterkaitan Data Mining dengan Bidang Lain
      • Data Mining Ada dimana? (Ubiquotus)
      • Apa itu Data Mining
      • Nama Lain dari Data Mining
      • Fungsi Data Mining
      • Langkah-langkah Pengambilan Data Mining
      • Teknik Penambangan Data
      • Bagaimana Cara Kerja Data Mining
      • 4 Jenis Pola Utama Data Mining
      • Supervised Learning VS Unsupervised Learning
      • Taksonomi Data Mining
      • Link Analysis & Sequence Analysis
      • Visualization & Time Series Forecasting
      • Hypothesis & Discovery-Driven Data Mining.

    • Mari Diskusi Forum

      Silakan simak video tentang "Mengenal Data" lalu tuliskan antara Prediksi (Prediction) dengan Peramalan (Forecasting) apakah memiliki perbedaan atau kesamaan?

      *Dijawab berdasarkan penyampaian di video ya.

  • Pertemuan 3 - Data Preprocessing (Data Preprocessing)

    • Kuis - Pertemuan 3 Quiz

      Deskripsi Kuis - Pertemuan 3.

      Jumlah Pertanyaan = 20

      Waktu Tersedia = 30 Menit

      Kesempatan Mencoba = Tidak Terbatas

      Metode Penilaian = Nilai terakhir percobaan


  • Pertemuan 4 - Data Warehousing dan On-LineAnalytical Processing

    • Tugas - Pertemuan 4 Forum

      Ilustrasikan analisis pola pada aplikasi data mining dengan memilih 1 saja dari 4 jenis pola utama penggalian data.

      Catatan:

      ada 4 pola yang telah kita pelajari yaitu Association, Prediction, Cluster, dan Sequential Relationship.

      Ketentuan:

      Ilustrasi dijelaskan dalam bentuk video (boleh menggunakan media ppt atau langsung menjelaskan), lalu upload video ke Youtube beri hashtag #stmikwicida #datamining #sisteminformasi

      Link Youtube dituliskan di kolom forum diskusi.

      Pengumpulan link Youtube paling lambat. Senin, 25 Oktober 2023

      Demikian, Terima Kasih.

  • Pertemuan 5 - Data Cube Teknologi (Data Cube Technology)

    • Paper - DATA CUBE File
      Silakan dicermati sebagai referensi dari pelaksanaan diskusi.
    • Diskusi - Data Cube Technology Forum

      Pelajari Paper tentang Data mining cubes for buildings, a generic framework for multidimensional analytics of building performance data.
      Lalu, berikan analisis mengatasi limitation di paper tersebut.

      A notable limitation encountered from cube space mining was the iterative need to reformat the data as well as adapting visualization tools to every studied dimensional frame, which are very time consuming tasks within the data mining process. In then comes into consideration that developing interactive visual tools tailored to OLAM analytics could provide interesting solutions, yet not without challenging limitations. Computational burden resulting from the mining process may render the interactivity of the visual exploration too slow to fully profit from the tool itself. Nonetheless, a priori computation of the visual cube from a set of fixed parameters could be envisioned as a means to initially coarsely characterize the cube and tackle exploratory responsiveness issues.

  • Pertemuan 6 - Dasar Concepts and methods: Pertambangan Pola Sering, Asosiasi dan Korelasi Dasar.

  • Pertemuan 7 - Lanjutan Sering Pola Pertambangan (Advanced Frequent Pattern Mining)

    • Materi 7 - Advanced Frequent Pattern Mining File

      • Continuous and Categorical  Attributes
      • Handling Categorical Attributes
      • Handling Continuous Attributes
      • Discretization Issues
      • Statistics-based Methods
      • Multi-level Association Rules
      • Beyond Itemsets
      • Sequence Data
      • Formal Definition of a Sequence
         

    • TIM KUIS 70 Forum

      1. 2141020 - Leocharles
      2. 2141026 - Laramitha
      3. 2141058 - Filio
      4. 2041075 - Andri
      5. 2141038 - Eufrasia
      6. 2141010 - Siti N.
      7. 2141030 - Teresa Veronika
      8. 2141029 - Teresa Dominika
      9. 2141037 - M. Gilang F.
      10. 2141006 - Erly 
      11. 2141017 - Fitriah
      12. 2141004 - Sulhamna
      13. 2141050 - Nur Annisa
      14. 2141055 - Aditya P.
      15. 2141059 - M. Agus F.
      16. 2141012 - Ragil Q.
      17. 2141060 - Jerio
      18. 2141048 - Ferdian
      19. 2141013 - Luki A.
      20. 2341904 - Dustin N.
      21. 2341902 - Raihan.

  • Pertemuan 8 - Ujian Tengah Semester

  • Pertemuan 9 - Klasifikasi: Konsep Dasar (Classification: Basic Concepts)

    • Materi 9 - Klasifikasi Data Mining File

      Materinya berupa point-point saja.

      • Apa itu KLASIFIKASI
      • Jenis Klasifikasi
      • Klasifikasi dalam Bidang Akademik
      • Algoritma Klasifikasi
      • Metode Klasifikasi
      • Supervise Learning
      • Decision Tree
      • Algoritma C4.5
      • Tahapan C4.5
      • Bayessian Classification
      • Neural Network


    • NILAI KUIS Forum

      2141053 = 80

      2141056 = 70

      2141060 = 75

      2141055 = 70

      2141059 = 95

      2141012 = 70

      2141057 = 70

      2141014 = 70

      2141035 = 85

      2141022 = 85

      2141019 = 70

      2141006 = 85

      2141004 = 100

      2141028 = 80

      2141017 = 70

      2041075 = 80

      2141009 = 85

      2141020 = 75

      2141042 = 85

      2141043 = 70

      2141023 = 100

      2041072 = 100

      2341904 = 100

      2341903 = 100

      2141013 = 100

      2141030 = 70

      2141029 = 70

      2141010 = 85

      2141038 = 80

      2141052 = 70


  • Pertemuan 10 - Klasifikasi: Metode Lanjut (Classification: Advanced Methods)

    • Materi 10 - Klasifikasi File

      • Classification
      • Example of Classification Task
      • General Approach for Building Classification Model
      • Classification Techniques
      • Example of a Decision Tree
      • Apply Model to Test Data
      • Decision Tree Classification Task
      • Decision Tree Induction
      • General Structure of Hunt’s Algorithm
      • Design Issues of Decision Tree Induction
      • Methods for Expressing Test Conditions
      • Test Condition for Nominal Attributes

    • Tugas Literasi Membaca Jurnal Klasifikasi Forum

      Silakan cari Jurnal Data Mining yang membahas tentang Algoritma Klasifikasi.
      Sertakan Judul, Link (gunakan ikon tautan), dan Resume dari Jurnal tersebut (Minimal 100 dan Maksimum 200 kata)

  • Pertemuan 11 - Analisis Cluster: Konsep Dasar dan Metode (Cluster Analysis: Basic Concepts and Methods)

    • Materi 11 - Analisis Cluster File

      • Analisis Cluster
      • Tujuan Cluster
      • Cluster yang Baik
      • Metode Analisis Cluster
      • Proses Analisis Cluster
      • Metode Pengelompokan Hierarki
      • Aplikasi Cluster
      • Kelebihan dan Kekurangan
      • Validasi Cluster
      • Profilling Hasil Cluster

  • Pertemuan 12 - Cluster Analysis: MetodeLanjut (Cluster Analysis: Advanced Methods)

    • Buku Analisis Klaster File

      Silakan dibaca pelan pelan bukunya.
      Buku yang saya referensikan ini berbahasa Inggris karena belum ada buku berbahasa Indonesia yang selengkap dan sejelas ini dalam memberikan pemahaman.

      Saya harap buku ini bisa lebih bermanfaat dan bisa sambil melatih kemampuan bahasa Inggris kalian :)

      SEMANGAT


  • Pertemuan 13 - Analisis Outlier: Outliers Metode Deteksi, Pendekatan Statistik

    • Materi 13 - Analisis Outlier File

      • Definisi
      • Manfaat
      • Studentized Residual
      • Outlier Univariat
      • Outlier Multivariat
      • Penyebab Adanya Outlier
      • Skema Analisis
      • Pendekatan Analisis
      • Pendekatan Grafis
      • Kekurangan Pendekatan Grafis
      • Pendekatan Statistik
      • Kelebihan dan Kekurangan pendekatan Statistik
      • Nearest-Neigbor-Based
      • Kelebihan dan Kekurangan KNN
      • Outliers Pada Proyeksi Dimensi Rendah
      • Density Based
      • Kelebihan dan Kekurangan DB
      • Clustering Based
      • Kelebihan dan Kekurangan CB
      • Deviation Based Approach

  • Pertemuan 14 - Outlier Analisis: Pendekatan Proximity Basis

    • Materi 14 - Proximity Based File

      • Outlier Analysis
      • Mengapa Outlier Menarik
      • Contoh Deteksi Outlier
      • Metode Deteksi Outlier
      • Tipe-tipe Metode Pendeteksian Outlier
      • Statistical Approaches
      • Proximity-Based Approaches
      • Langkah-langkah menemukan outlier.

  • Pertemuan 15 - Data Mining Tren dan Penelitian Frontiers

    • Ayo temukan Trend Data Mining [PRA UAS] Forum

      Silakan jelaskan dan ilustrasikan trend teknologi dengan data mining di masa depan ya.
      Boleh di bidang apa saja.

      Buat dalam bentuk video durasi 5-10 menit. Upload video di Youtube kalian.
      Lalu, kirim linknya di forum ini.
      Batas pengumpulan H-1 UAS.

      Terima Kasih.

  • Pertemuan 16 - Ujian Akhir Semester