Garis besar topik
-
-
Siswa harusTandai selesai
Nama : Dr. Handoyo Widi Nugroho., S. Kom., M.T.I
NIK : 00400502
Buku Referensi
-
-
Siswa harusTandai selesai
1.1 Apa dan Mengapa Data Mining?
1.2 Peran Utama dan Metode Data Mining
1.3 Sejarah dan Penerapan Data Mining
-
-
-
-
-
-
Siswa harusTandai selesai
- Sejarah Data Mining
- Revolusi Industri 4.0
- Data Mining Use Cases across Industries
- Business Goals Law
- CRISP-DM
- Private and Commercial Sector
- Public and Government Sector
- Contoh Penerapan Data Mining -
-
-
Siswa harusTandai selesai
Jelaskan sejarah perkembangan ilmu pengetahuan yang mendasari munculnya data mining sebagai arus utama sains dalam Revolusi Industri 4.0.
Peserta kuliah wajib memberikan tanggapan pada saat waktu kuliah sedang berlangsung
-
-
-
Siswa harusTandai selesai
1. Proses dan Tools Data Mining
2. Penerapan Proses Data Mining
3. Evaluasi Model Data Mining
4. Proses Data Mining berbasis CRISP-DM
-
-
-
-
Siswa harusTandai selesai
Klick >>>
-
Siswa harusTandai selesai
-
-
-
Siswa harusTandai selesai
Materi Evaluasi Data Mining
1.Estimation:ΓÇôError: Root Mean Square Error (RMSE), MSE, MAPE, etc2.Prediction/Forecasting (Prediksi/Peramalan):ΓÇôError: Root Mean Square Error (RMSE) , MSE, MAPE, etc3.Classification:ΓÇôConfusion Matrix: AccuracyΓÇôROC Curve: Area Under Curve (AUC)4.Clustering:ΓÇôInternal Evaluation: DaviesΓÇôBouldin index, Dunn index,ΓÇôExternal Evaluation: Rand measure, F-measure, Jaccard index, FowlkesΓÇôMallows index, Confusion matrix5.Association:ΓÇôLift Charts: Lift RatioΓÇôPrecision and Recall (F-measure) -
-
-
-
-
Siswa harusTandai selesai
SETELAH ANDA MEMBACA DAN MELIHAT VIDIO MATERI DIATAS coba jelaskan menurut/berdasarkan pendapat anda :
Mengapa metode CRISP-DM dapat membantu kita memahami penggunaan metode data mining yang lebih sesuai dengan kebutuhan organisasi..
-
-
-
Siswa harusTandai selesai
1. Data Cleaning
2.Data Reduction
3. Data Training
4. Data Testing -
-
-
-
-
Siswa harusTandai selesaiΓÇóLakukan eksperimen mengikuti buku Markus Hofmann (Rapid Miner - Data Mining Use Case) Chapter 4 (k-Nearest Neighbor Classification II) pp. 45-51ΓÇóDataset: glass.dataΓÇóAnalisis metode preprocessing apa saja yang digunakan dan mengapa perlu dilakukan pada dataset tersebut!ΓÇóBandingkan akurasi dari k-NN dan PCA+k-NN
-
-
-
Siswa harusTandai selesai
1. Data Transformation and Data Discretization
- Smoothing
- Attribute/feature construction
- Aggregation
- Normalization
2. Data Integration
- Binning
- Histogram analysis
- Clustering analysis
- Decision-tree analysis
- Correlation
-
-
Siswa harusTandai selesai
Click
-
-
Siswa harusTandai selesai
Setelah membaca materi PPT dan Melihat serta mendengarkan materi Vidio diatas.....
coba anda jelaskan dan berikan contoh data Tranformation dan data Integration....
-
-
-
-
Siswa harusTandai selesai
BISMILLAHIRRAHMANNIRRAHIM
Assalamu'alaikum Wr. Wb, Selamat Siang
Tabik Pun...
Selamat bertemu kembali di pertemuan minggu ke-7
Semoga selalu dalam keadaan sehat walafiat dan dalam Lindungan Allah SWTPada Minggu ke-8 ini anda diminta untuk mengerjakan soal-soal MID Semester Ganjil 2023-2024
Catatan: Presensi silahkan anda isi pada saat pelaksanaan MID (Sesuai jadwal yang telah ditentukan)Selamat Mengerjakan Soal MID Semester, semoga sukses, Aamiin
Wass
-
Soal UTS Sementer Ganjil T.A. 2023-2024 Berkas
Silahkan Unduh soal dan kerjakan dengan baik!
-
Siswa harusTandai selesai
Silahkan Unggah Jaewaban UTS anda Disini!
-
-
-
Siswa harusTandai selesai
ALGORITMA KLASIFIKASI
1. Algoritma Klasifikasi
- Konsep dasar klasifikasi
- Keluaran Klasifikasi
- Seleksi Fitur untuk Klasifikasi
2. Tiga jenis metode utama digunakan untuk pemilihan fitur dalam klasifikasi
a.. Filter modelsb. Wrapper modelsc. Embedded models3. Decision Tree & Model Overfitting.
- Evaluasi Kinerja pengklasifikasi.
-
-
Siswa harusTandai selesai
Click >>>
-
-
Siswa harusTandai selesai
Baca dan Pelajari meteri PPT serta ebook datamining Chapter 10 Data Classification, 10.5 Probabilistic Classifiers Hal 306 dan 10.7 Neural Networks Hal. 326
Dengarkan materi dari Vidio Bayesian Classification & Neural Network.
Sebagai latihan dirumah anda bisa mencoba mengerjakan latihan yang ada di materi PPT
Buat kesimpulan atau resume dari materi yang telah anda pelajari tersebut.
-
-
-
Siswa harusTandai selesai
1. Definisi Naive Bayes
- Penerapan Naive Bayes
- Contoh Kasus -
Siswa harusTandai selesai
- Sejarah Neural Network
- Jenis Desain Neural Network
- Manfaat
- Algoritma
- Simulasi -
Siswa harusTandai selesai
- Definisi
- IDE PENYELESAIAN MASALAH
- Algoritma pelatihan back propagation -
-
-
-
-
-
Siswa harusTandai selesai
- Tujuan clustering
- Aplikasi Teknik Clustering
- Tipe-tipe Clustering
Algoritma Clustering
1. K-Means
2. K-Medoids
3. Hierarchical Clustering -
-
-
-
-
-
Siswa harusTandai selesai
Frequent Itemset Mining Methods
1 The Apriori Algorithm
2 Algoritma FP Growth
Pattern Evaluation Methods
-
-
-
-
-
-
-
Siswa harusTandai selesai
1. Linear Regression
- Tahapan Algoritma Linear Regression
- Pengujian
- Studi Kasus
2. Time Series Forecasting
- Definisi
- Metode Time series forecasting
- Implementasi Metode Time series forecasting -
-
-
-
-
-
-
-
-
Siswa harusTandai selesai
-
-
-
-
-
-
-
-
-
Siswa harusTandai selesaiSLOT PENGUMPULAN UAS
Silahkan kumpulkan jawaban UAS paling lambat tanggal 18 Januari 2024
-
