Home | STIMATA Digital Classroom

STIMATA Digital Classroom –
Gateway to Boundless Learning Spaces –
Gerbang ke ruang pembelajaran tanpa batas

Available courses

Konsep dan Aplikasi Data Mining (restore)

KADM (lawas)

Assalamualaikum, Pembelajar yang Bersemangat!

Saya Tubagus M Akhriza, Dosen dalam Pembelajaran Daring Konsep dan Aplikasi Data Mining (KADM) yang digamifikasi. Pembelajaran ini dirancang untuk memotivasi dan meningkatkan interaksi Pembelajar melalui elemen-elemen permainan. Kamu akan menyelesaikan 8 misi yang terdiri atas 4 misi topik pembelajaran, 2 proyek tim, dan 1 proyek individu (Hackathon), dengan sistem yang self-paced sehingga kamu bisa belajar sesuai kecepatan masing-masing.

Gamifikasi diterapkan untuk mendorong keterlibatan aktif melalui badge untuk setiap misi yang diselesaikan, sertifikat bagi yang lulus Hackathon dan Piagam bagi Top-3 Hackathon. Setiap aktivitas dalam pembelajaran ini harus diselesaikan sebelum melanjutkan ke aktivitas berikutnya, memastikan progres yang berkelanjutan. Mahasiswa tidak perlu menunggu 16 sesi (minggu) untuk menyelesaikan seluruh aktivitas pembelajaran, karena sistem ini adaptif dan memungkinkan percepatan pembelajaran jika misi terselesaikan lebih cepat.

Tujuan Instruksional

Melalui pembelajaran daring ini, mahasiswa akan mempelajari dan menguasai tiga metode utama dalam data mining:

Aturan Asosiasi: Mahasiswa akan memahami bagaimana menemukan pola hubungan antar item dalam data transaksi dengan menggunakan algoritma Apriori dan FP-Growth. Mereka akan mempelajari konsep frequent itemsets, association rules, dan metrik seperti support, confidence, dan lift. Selain itu, mahasiswa akan mampu membuat workflow di KNIME untuk menemukan aturan asosiasi dari data transaksi dan teks, serta melakukan Topic Mapping dari hasil pencarian Google.
Klasterisasi Data: Mahasiswa akan belajar mengelompokkan data berdasarkan kesamaan dengan metode seperti K-Means, DBSCAN, dan Hierarchical Clustering. Mereka akan mengaplikasikan algoritma-algoritma ini melalui KNIME, dan mendapatkan wawasan langsung dari Podcast dengan praktisi dari Mercedes-Benz Jerman, yang membahas penerapan klasterisasi dalam bisnis.
Klasifikasi Data: Mahasiswa akan memahami cara memprediksi kategori data baru dengan menggunakan metode k-Nearest Neighbor (k-NN), Naive Bayes, Decision Tree, dan Random Forest. Mereka akan menerapkan metode klasifikasi ini di KNIME, dan mendapatkan perspektif tambahan melalui Podcast dengan praktisi dari Jagoan Hosting Malang, yang menjelaskan penerapan klasifikasi dalam konteks industri.

Self-paced dan Monitoring

Sistem self-paced memungkinkan mahasiswa untuk menyelesaikan pembelajaran sesuai ritme masing-masing, tanpa harus mengikuti jadwal yang kaku. Penyelesaian tiap aktivitas menjadi syarat untuk melanjutkan ke aktivitas berikutnya, dengan syarat dan ketentuan yang berbeda-beda. Feedback langsung dari dosen pengampu diberikan di setiap tahap, memastikan mahasiswa tidak merasa 'sendirian' dalam proses belajar. Nilai dari Proyek 1 bisa menjadi referensi untuk UTS, dan nilai dari aktivitas pasca-Proyek 1 hingga Hackathon menjadi acuan untuk UAS.

Mahasiswa yang menyelesaikan misi akan mendapatkan Badge, dan mereka yang lulus Hackathon akan mendapatkan Sertifikat "Basic KNIME for Data Mining". Tiga peserta terbaik di Hackathon juga akan mendapatkan Piagam dari Ketua STIMATA.

Salaam,
Tubagus Mohammad Akhriza, Ph.D

Teacher: Mohammad Akhriza
Teacher: Arief Armanda
Teacher: Indah Dwi Mumpuni
Teacher: Sigit Setyowibowo
Teacher: Sujito Sujito
Teacher: Bella Umamah
Teacher: Dwi Utsalina

Konsep dan Aplikasi Data Mining (coba2)

Mata kuliah "Konsep dan Aplikasi Data Mining" dirancang untuk membekali mahasiswa dengan pemahaman dan keterampilan dalam menerapkan teknik-teknik data mining pada berbagai masalah praktis dan penelitian. Mahasiswa akan mempelajari konsep dasar data mining, termasuk sejarah dan evolusi, serta berbagai metode analisis data yang digunakan untuk mengidentifikasi pola, tren, dan hubungan dalam data besar.

Melalui pendekatan gamifikasi dan penggunaan platform analisis data KNIME, mata kuliah ini menekankan pembelajaran yang inovatif, kolaboratif, adaptif, dan inklusif. Mahasiswa akan diajak untuk memahami dan mengimplementasikan siklus CRISP-DM (Cross-Industry Standard Process for Data Mining) dalam berbagai proyek nyata, mulai dari prapemrosesan data hingga evaluasi model.

Topik-topik yang dibahas mencakup:

Pengenalan Data Mining: Konsep dasar, sejarah, dan evolusi data mining.
KNIME Analytics Platform: Instalasi, konfigurasi, dan penggunaan KNIME untuk analisis data.
Framework CRISP-DM: Tahapan dan implementasi dalam proyek data mining.
Literasi Data: Jenis data, impor data, dan analisis sederhana dengan KNIME.
Prapemrosesan Data: Teknik pembersihan, transformasi, dan reduksi data.
Visualisasi Data: Pentingnya visualisasi dalam analisis data dan implementasinya di KNIME.
Association Rule Mining: Konsep dasar, algoritma Apriori, dan penerapannya.
Clustering: Teori dasar clustering, algoritma K-means, DBSCAN, dan Hierarchical Clustering.
Classification: Algoritma Naive Bayes, Decision Tree, dan Random Forest untuk klasifikasi data.
Text Mining: Teknik analisis teks dan implementasi analisis sentimen.

Mata kuliah ini juga menekankan pentingnya penerapan data mining dalam konteks Industri 4.0 dan Society 5.0, di mana data mining berperan dalam menghasilkan rekomendasi bernilai bagi masyarakat dari data digital yang dihasilkan.

Pada akhir mata kuliah, mahasiswa diharapkan mampu:

Memahami dan menerapkan konsep dasar dan teknik data mining.
Menggunakan KNIME Analytics Platform untuk mengolah dan menganalisis data.
Mengimplementasikan siklus CRISP-DM dalam proyek data mining.
Mengidentifikasi dan menyelesaikan masalah bisnis menggunakan teknik data mining.
Menganalisis dan memvisualisasikan data secara efektif untuk mendukung pengambilan keputusan berbasis data.