LMS-SPADA INDONESIA
Course Content
Topic outline
-
Mata Kuliah : Analis Data Fundamental Kode : tahun 0406 Program Studi : S1 Sistem Informasi Kampus Kota Sukabumi berkolaborasi dengan S1 Sistem Informasi Perguruan Tinggi : Universitas Bina Sarana Informatika dan Sekolah Tinggi Informatika & Komputer Indonesia Assalamu'alaikum warahmatullahi wabarakatuh,
Shalom,
Om Swastiastu,
Namo Buddhaya,
Salam Kebajikan,Halo rekan-rekan sekalian,
Pertama-tama, marilah kita panjatkan puji dan syukur ke hadirat Allah SWT, karena atas rahmat dan karunia-Nya kita semua dapat berkumpul di SPADA Indonesia dalam kesempatan yang berharga ini. Saya berharap kita semua dalam keadaan sehat dan penuh semangat.
Selamat datang di mata kuliah "Fundamental Data Analyst" mata kuliah ini merupakan hasil kolaborasi antara Universitas BSI dan STIKI Malang. Kami sangat senang dan bangga dapat menghadirkan program ini, yang dirancang khusus untuk memberikan pemahaman serta keterampilan dasar yang sangat diperlukan dalam bidang pembelajaran mesin (Machine Learning). Matakuliah ini mendukung mata kuliah Data Mining di STIKI Malang.
Mata kuliah ini akan menjadi mata kuliah yang menarik dan penuh tantangan, di mana rekan-rekan akan belajar tentang konsep-konsep dasar analisis data, praktik model pembelajaran machine learning, serta evaluasi hasil model pembelajarannya. Dengan bimbingan dari para dosen ahli, kami yakin rekan-rekan akan mendapatkan pengalaman belajar yang optimal. Semoga kolaborasi ini tidak hanya meningkatkan pengetahuan dan keterampilan kita semua, tetapi juga mempererat hubungan antar institusi dan membuka peluang-peluang baru di masa depan.
Mari kita mulai perjalanan ini dengan semangat dan komitmen penuh untuk meraih kesuksesan bersama.
Bagi seluruh mahasiwa yang menyelesaikan seluruh kegiatan akan mendapatkan Certificate of Completions seperti berikut
-
Deskripsi dan Pokok Bahasan Matakuliah Page
-
Rencana Studi Pembelajaran Page
-
Penilaian Matakuliah Page
-
Profile Dosen Pengampu Page
-
-
Halo rekan-rekan ,
Topik pembahasan minggu pertama terkait konsep machine, profesi terkait machine learning khususnya nya profesi data analis dan data scientist, Dataset dan Atribut dataset dalam machine learning.
Materi pertemuan minggu pertama ini rekan-rekan akan dikenalkan dengan machine learning. Pembelajaran mesin sebagai bagian dari AI, jenis-jenis pembelajaran mesin. Materi pada pertemuan minggu ini, rekan-rekan juga akan dikenalkan dengan dataset, dataset sebagai sumber data yang dapat rekan-rekan manfaatkan untuk belajar dan lebih mengenal machine learning atau data mining. Dimana dataset terbuka dapat dengan mudah diakses dan diunduh dan perlakuan apa saja yang dapat kita terapkan pada dataset kita akan pembelajaran mesinnya menjadi lebih baik, efektif dan efisien.-
Materi pertemuan minggu pertama ini rekan-rekan akan dikenalkan dengan machine learning. Machine learning sebagai bagian dari AI, jenis-jenis pembelajaran mesin. Materi pada pertemuan minggu ini, rekan-rekan juga akan dikenalkan dengan dataset, dataset sebagai sumber data yang dapat rekan-rekan manfaatkan untuk belajar dan lebih mengenal machine learning atau data mining.
-
Video penjelasan dari materi minggu tentang pengenalan tentang machine learning sebagai bagian dari AI dapat rekan-rekan akses melalui tautan ini, untuk teman-teman cermati video ini berisi pertanyaan sebagai kuis dan juga menjadi salah satu unsur course completion.
-
Kumpulan Tautan Sumber Data Terbuka Page
Open dataset memberikan banyak manfaat bagi yang data mining, seperti memungkinkan praktik langsung dengan data nyata, eksplorasi berbagai jenis data, pengembangan keterampilan dalam pembersihan dan analisis data, mendorong kolaborasi dan berbagi pengetahuan, serta memfasilitasi eksperimen dengan algoritma dan teknik baru. Selain itu, open dataset juga mempersiapkan kita untuk menghadapi tantangan industri, menjadikan lebih siap kerja.
Penyedia Data
Tautan Dataset
Kaggle
Machine learning datasets
Major Smart Cities with Open Data
https://rlist.io/l/major-smart-cities-with-open-data-portals
Microsoft Datasets
Open Data Inception
Opendatasoft
https://data.opendatasoft.com/explore/dataset/open-data-sources%40public/table/?sort=code_en
OpenDOAR
OpenML
Papers with Code
Penn Machine Learning Benchmarks
Public APIs
Registry of Open Access Repositories
REgistry of REsearch Data REpositories
UCI Machine Learning Repository
Speech Dataset
Visual Data Discovery
Academic Torrents
Amazon Datasets
Awesome Public Datasets Collection
data.world
Datahub – Core Datasets
DataONE
DataPortals
Datasetlist.com
Global Open Data Index – Open Knowledge Foundation
Google Dataset Search
Hugging Face
IBM's Data Asset Exchange
Jupyter – Tutorial Data
https://jupyter-tutorial.readthedocs.io/en/latest/data-processing/opendata.html
-
Silahkan jika ada yang ditanyakan atau ada yang ingin kalian diskusikan bisa disampaikan ya disini
-
-
Halo rekan-rekan,
Topik pembahasan minggu kedua kali pembahasannya sudah mulai mengarah pada pemahaman pembelajaran mesin, yaitu: memahami konsep baseline model, overfitting, underfitting.
Materi pertemuan minggu kedua ini rekan-rekan akan dikenalkan dengan konsep baseline model, ketika kita membangun AI dengan pembelajaran mesin (machine learning) maka kita akan dihadapkan dengan model pembelajaran apa yang akan digunakan, nah diakhir pembelajaran model yang akan kita gunakan akan diukur seberapa akurat kah model kita dalam belajar atau memprediksi hasil nya. Baseline menjadi tolok ukur penilaian dari model pembelajaran model. Bias dari dari pengukuran tadi akan menunjukkan apakah model nya terjadi overfitting atau underfitting? Pembahasan dan contoh overfitting dan underfitting akan disampaikan pada pertemuan di minggu ini.. selamat berpetualang!!
-
Bertemu lagi ya rekan-rekan..,
Di minggu ketiga ini kali pembahasannya sudah mulai mengarah pada pemahaman pembelajaran mesin, yaitu: terkait konsep pengelolaan dataset dengan membagi dataset menjadi training, testing, validation dataset dan preprocessing dataset sebelum uji model.
Materi pertemuan minggu ketiga ini rekan-rekan akan dikenalkan dengan konsep pengelolaan dataset sebelum di”eksekusi” menggunakan model pembelajaran mesin. Dalam pembelajaran mesin dataset akan dibagi menjadi 3 bagian yaitu data untuk training, validasi training dan testing. Data training dan validasi digunakan mesin untuk belajar, model hasil belajar selanjutnya akan diujikan menggunakan data testing untuk ditampilkan hasil evaluasi nya. Selain dibagi dataset juga masih perlu disesuaikan kebutuhan bahkan sebelum dibagi, terutama fitur dengan data kosong atau berjenis ketegorikal. Minggu selanjutnya rekan-rekan akan diajak masuk ke pembahasan study kasus menggunakan framework Cross Industry Standard Process for Data Mining
.. have a nice day!!
-
Jumpa lagi ya rekan-rekan..,
Di minggu keempat ini kali pembahasannya sudah mulai mengarah pada studi kasus dan rekan-rekan juga akan mulai dikenalkan dengan framework Cross Industry Standard Process for Data Mining (CRIPS-DM) untuk pembelajaran mesin menggunakan model regresi linier
Materi pertemuan minggu ini pengenalan supervised learning dengan studi kasus pembelajaran regresi linier dan algoritma model pembelajaran mesin yang akan di adalah LinierRegression. Algoritma model LinierRegression biasa nya digunakan sebagai baseline akurasi model pembelajaran mesin, jadi sengaja materi ini kami sampaikan sebagai pembuka pembelajaran mesin. Studi kasus dalam materi pertemuan kali dapat teman-teman praktikan secara mandiri, karena materi selain pembahasan juga dilengkapi dengan sumber kode program dan dataset di dunia nyata. happy coding day!! -
Masih dibahasan pembelajaran mesin ya rekan-rekan..,
Di pembahasannya minggu ini masih pembelajaran mesin dengan framework Cross Industry Standard Process for Data Mining (CRIPS-DM) untuk pembelajaran mesin menggunakan model klasifikasi
Materi nya masih pengenalan supervised learning tetapi studi kasus pembelajaran klasifikasi dan algoritma model pembelajaran mesin yang akan digunakan adalah Decision Tree. Algoritma model Decision Tree adalah algoritma populer dalam pembelajaran mesin, karena model hasil pembelajarn mesin nya dapat dengan mudah diimplementasikan menjadi aplikasi pendukung keputusan di dunia nyata. Studi kasus dalam materi pertemuan masih menggunakan dataset yang sama seperti minggu sebelumnya dan materi dalam pembahasannya dapat teman-teman praktikan secara mandiri, karena dilengkapi dengan sumber kode program. Happy machine learning day!!-
Slide Materi Pembahasan Minggu ke-5 Page
Materi nya masih pengenalan supervised learning tetapi studi kasus pembelajaran klasifikasi dan algoritma model pembelajaran mesin yang akan digunakan adalah Decision Tree. Algoritma model Decision Tree adalah algoritma populer dalam pembelajaran mesin, karena model hasil pembelajarn mesin nya dapat dengan mudah diimplementasikan menjadi aplikasi pendukung keputusan di dunia nyata.
-
Modul pembelajaran minggu ke-5 -
Video penjelasan dari materi minggu tentang regresi Linier dapat rekan-rekan akses melalui tautan ini, untuk teman-teman cermati video ini berisi pertanyaan sebagai kuis dan juga menjadi salah satu unsur course completion.
-
Berikut ini adalah tautan untuk contoh Kode Program yang digunakan pada pembahasan kali ini.
Silakan unduh dan pelajari dengan seksama. Jangan ragu untuk bertanya jika ada yang perlu dijelaskan lebih lanjut silakan bertanya atau berdiskusi pada menu "Tanya jawab dan Diskusi" yang disediakan. Semoga bermanfaat!"
-
Sebagai Langkah awal dalam menerapkan model pembelajaran pada dataset, mahasiswa diwajibkan membuat laporan terkait dengan dataset yang akan digunakan pada project akhir dengan object laporan Tugas 2:-
Data Preparation
-
Modelling
Adapun detail format penulisan pedoman Laporan dapat diunduh pada [tautan ini]
Waktu Pengumpulan Tugas 2: Minggu Ke-8
-
-
Silahkan jika ada yang ditanyakan atau ada yang ingin kalian diskusikan bisa disampaikan ya disini
-
Silahkan jika ada yang ditanyakan atau ada yang ingin kalian diskusikan bisa disampaikan ya disini
-
-
Machine learning again..,
Di pembahasannya minggu ini sudah masuk ke pembahasan unsupervised learning dengan framework Cross Industry Standard Process for Data Mining (CRIPS-DM) untuk pembelajaran mesin menggunakan model Clustering
Minggu ini materi masuk ke pengenalan unsupervised learning dengan studi kasus pembelajaran clustering dan algoritma model pembelajaran mesin yang akan dibahas adalah K-MEANS. Secara umum unsupervised learning digunakan untuk dataset yang tidak memiliki target (dataset yang hanya berisi input tanpa output) sehingga kita perlu menemukan struktur atau pola tersembunyi. Untuk memudahkan rekan-rekan, kami tetap menggunakan dataset yang sama (House Price) tetapi targetnya (SalePrice) tidak digunakan. Rekan-rekan akan diperlihatkan bahwa ada pola tertentu dari setiap fitur yang dapat divisualisasikan dapat rekan-rekan intrepretasikan. As usual, source code is open, jadi teman-teman dapat coba secara mandiri di rumah. Happy mining!!-
Minggu ini materi masuk ke pengenalan unsupervised learning dengan studi kasus pembelajaran clustering dan algoritma model pembelajaran mesin yang akan dibahas adalah K-MEANS. Secara umum unsupervised learning digunakan untuk dataset yang tidak memiliki target (dataset yang hanya berisi input tanpa output) sehingga kita perlu menemukan struktur atau pola tersembunyi
-
Modul pembelajaran minggu ke-6 -
Video penjelasan dari materi minggu tentang clustering menggunakan algoritma KMEANS dapat rekan-rekan akses melalui tautan ini, untuk teman-teman cermati video ini berisi pertanyaan sebagai kuis dan juga menjadi salah satu unsur course completion.
-
Berikut ini adalah tautan untuk contoh Kode Program yang digunakan pada pembahasan kali ini.
Silakan unduh dan pelajari dengan seksama. Jangan ragu untuk bertanya jika ada yang perlu dijelaskan lebih lanjut silakan bertanya atau berdiskusi pada menu "Tanya jawab dan Diskusi" yang disediakan. Semoga bermanfaat!"
-
Silahkan jika ada yang ditanyakan atau ada yang ingin kalian diskusikan bisa disampaikan ya disini
-
-
New week, New Insight..
Masih unsupervised learning dengan framework Cross Industry Standard Process for Data Mining (CRIPS-DM) tetapi studi kasus baru yang benar-benar rekan-rekan dapat terapkan dikehidupan sehari-hari
Algoritma model pembelajaran mesin minggu ini adalah association rule dengan model algoritma apriori. Dataset yang digunakan berbeda dengan minggu sebelumnya, dataset ini bersumber dari catatan penjualan ritel. Dataset nya riil unsupervised learning karena tidak ada target dari catatan penjualan. Studi kasus yang dibahas dibatasi pada data penjualan ritel di jawa tengah. Minggu ini rekan-rekan akan disuguhkan pengetahuan baru tentang keterkaitan fitur dalam dataset dapat mendukung kebutuhan dan dukungan manajerial (interpretasi hasil evaluasi akan rekan-rekan dapatkan di minggu ke-9).
Happy adventuring !!-
Materi bahasan minggu ini adalah Algoritma model pembelajaran mesin association rule dengan model algoritma apriori. Dataset yang digunakan berbeda dengan minggu sebelumnya, dataset ini bersumber dari catatan penjualan ritel. Dataset nya riil unsupervised learning karena tidak ada target dari catatan penjualan
-
Modul pembelajaran minggu ke-7 -
Video penjelasan dari materi minggu tentang assosition rule untuk melihat keterkaitan antar fitur dalam dataset dapat rekan-rekan akses melalui tautan ini, untuk teman-teman cermati video ini berisi pertanyaan sebagai kuis dan juga menjadi salah satu unsur course completion.
-
Berikut ini adalah tautan untuk contoh Dataset dan Kode Program yang digunakan pada pembahasan kali ini.
Silakan unduh dan pelajari dengan seksama. Jangan ragu untuk bertanya jika ada yang perlu dijelaskan lebih lanjut silakan bertanya atau berdiskusi pada menu "Tanya jawab dan Diskusi" yang disediakan. Semoga bermanfaat!"
-
Silahkan jika ada yang ditanyakan atau ada yang ingin kalian diskusikan bisa disampaikan ya disini
-
-
-
Hallo Jumpa Kembali rekan-rekan...
tidak terasa sudah masuk ke UTS Kembali ya, seperti yang sudah dijelaskan di pertemuan ke-3 berikut link upload Tugas untuk Pengganti UTS ya rekan-rekan
-
-
More deep to mine..
Topik minggu ini terkait pengurangan dimensi fitur dari dataset dengan untuk mengurangi kompleksitas kumpulan data dengan mengurangi jumlah fitur sekaligus mempertahankan properti terpenting dari data asli.
Pembahasannya masih menggunakan framework Cross Industry Standard Process for Data Mining (CRIPS-DM) Algoritma model pembelajaran mesin minggu ini dimensional reduction dengan model algoritma Principal Component Analysis (PCA). Dataset yang digunakan kembali menggunakan dataset House Price. Pada minggu ini rekan-rekan akan dipandu bagaimana mengurangi jumlah fitur dari House Price yang semula berjumlah 80 menjadi 28 fitur dengan mempertahankan properti terpenting dari data aslinya. Tahapan apa yang diperlukan dan kenapa itu dilakukan akan dijelaskan pada pertemuan kali ini.
Kalau bisa dibuat ringkas kenapa dibuat rumit !!
-
Materi Pembahan Minggu Ke-9 Page
Pembahasannya masih menggunakan framework Cross Industry Standard Process for Data Mining (CRIPS-DM) Algoritma model pembelajaran mesin minggu ini dimensional reduction dengan model algoritma Principal Component Analysis (PCA). Dataset yang digunakan kembali menggunakan dataset House Price. Pada minggu ini rekan-rekan akan dipandu bagaimana mengurangi jumlah fitur dari House Price yang semula berjumlah 80 menjadi 28 fitur dengan mempertahankan properti terpenting dari data aslinya.
-
Modul pembelajaran minggu ke-9 -
Video penjelasan dari materi minggu tentang dimesional reduction atau penggurangan jumlah fitur menggunakan algoritma PCA dapat rekan-rekan akses melalui tautan ini, untuk teman-teman cermati video ini berisi pertanyaan sebagai kuis dan juga menjadi salah satu unsur course completion.
-
Berikut ini adalah tautan untuk contoh Dataset dan Kode Program yang digunakan pada pembahasan kali ini.
Silakan unduh dan pelajari dengan seksama. Jangan ragu untuk bertanya jika ada yang perlu dijelaskan lebih lanjut silakan bertanya atau berdiskusi pada menu "Tanya jawab dan Diskusi" yang disediakan. Semoga bermanfaat!"
-
Silahkan jika ada yang ditanyakan atau ada yang ingin kalian diskusikan bisa disampaikan ya disini
-
-
Final week gaess..,
Di minggu kesembilan ini kali merupakan minggu pembahasan final dengan topik utama interpretasi hasil evaluasi model pembelajaran mesin untuk setiap contoh studi kasus dari minggu ke-4 sampai minggu ke-8.
Materi pertemuan minggu ini rekan-rekan akan dikenalkan dengan informasi statistika untuk pengukuran yang digunakan untuk setiap model pembelajaran dan rekan-rekan juga dipandu untuk meng-intrepretasikan hasilnya menjadi bentuk narasi mendukung uraian dalam simpulan laporan.
Selamat berkolaborasi dan berkreasi gess, semangat…!!!
-
Slide Materi Pembahasan Minggu ke-10 Page
Materi pembahasan final dengan topik utama interpretasi hasil evaluasi model pembelajaran mesin untuk setiap contoh studi kasus dari minggu ke-4 sampai minggu ke-8. Materi pertemuan minggu ini rekan-rekan akan dikenalkan dengan informasi statistika untuk pengukuran yang digunakan untuk setiap model pembelajaran
-
Video penjelasan cara membaca hasil evaluasi model regresi linier dapat rekan-rekan mengakses melalui tautan ini, untuk teman-teman cermati video ini berisi pertanyaan sebagai kuis dan juga menjadi salah satu unsur penyelesaian kursus.
-
Video Clusterring Interactive Content
-
Video penjelasan cara membaca hasil evaluasi model clustering dapat rekan-rekan akses melalui tautan ini, untuk teman-teman cermati video ini berisi pertanyaan sebagai kuis dan juga menjadi salah satu unsur course completion.
-
Video penjelasan cara membaca hasil evaluasi model dimesional reduction dapat rekan-rekan akses melalui tautan ini, untuk teman-teman cermati video ini berisi pertanyaan sebagai kuis dan juga menjadi salah satu unsur course completion.
-
Langkah selanjutnya dalam menerapkan model pembelajaran pada dataset, mahasiswa diwajibkan membuat laporan terkait dengan dataset yang telah digunakan pada Tugas 1 dengan object laporan Tugas 2:-
Data Preparation [Tugas 1]
-
Business Understanding [Tugas 1]
- Data Preparation [Tugas 2]
- Modelling [Tugas 2]
- Evaluation [Presentasi]
Pengumpulan Tugas dengan mengupload dokumen Laporan Tugas dan file Presentasi dengan tautan link video tautan presentasi
-
-
Silahkan jika ada yang ditanyakan atau ada yang ingin kalian diskusikan bisa disampaikan ya disini
-
-
Pada Minggu ini diisi dengan kegiatan diskusi dan curah pendapat tujuannya untuk menggali berbagai ide dan memecahkan masalah secara bersama-sama, bertukar pendapat, berdebat, dan mencari solusi bersama serta curah pendapat terkait case based atau project yang akan dikerjakan oleh teman-teman dari STIKI Malang, yang juga dikenal sebagai brainstorming, sebagai media untuk mengumpulkan ide-ide dari anggota kelompok dibantu oleh dosen pendamping. Silakan gunakan dan manfaatkan link zoom yang disediakan semaksimal mungkin -
Materi bahasan dari Cased Based atau Project yang teman-teman kerjakan dapat diakses pada tautan berikut
-
-
Pada Minggu ini diisi dengan kegiatan diskusi dan curah pendapat tujuannya untuk menggali berbagai ide dan memecahkan masalah secara bersama-sama, bertukar pendapat, berdebat, dan mencari solusi bersama serta curah pendapat terkait case based atau project yang akan dikerjakan oleh teman-teman dari UBSI Kota Sukabumi, yang juga dikenal sebagai brainstorming, sebagai media untuk mengumpulkan ide-ide dari anggota kelompok dibantu oleh dosen pendamping. Silakan gunakan dan manfaatkan link zoom yang disediakan semaksimal mungkin -
Materi bahasan dari Cased Based atau Project yang teman-teman kerjakan dapat diakses pada tautan berikut:
-
-
Pada minggu ini rekan-rekan diminta untuk mempresentasikan tugas nya, Jika ada tautan atau file lampiran pastikan tautan atau file lampirannya dapat diakses. Terima kasih. -
Pada minggu ini rekan-rekan diminta untuk mempresentasikan tugas nya, Jika ada tautan atau file lampiran pastikan tautan atau file lampirannya dapat diakses. Terima kasih. -
Pada minggu ini rekan-rekan diminta untuk mempresentasikan tugas nya, Jika ada tautan atau file lampiran pastikan tautan atau file lampirannya dapat diakses. Terima kasih. -
-
Hallo Temen-temen Mahasiswa
Mohon untuk Upload Laporan Final Project UAS untuk mendapatkan Nilai Akhir
-
Unduh Dataset
LMS-SPADA INDONESIA