SILABUS MATAKULIAH Revisi : 4 Tanggal Berlaku : 04 September 2015 A. Identitas 1. Nama Matakuliah : Data 2. Program Studi : Teknik Industri 3. Fakultas : Teknik 4. Bobot sks : 2 SKS 5. Elemen : MKB 6. Jenis : Keahlian Berkarya 7. waktu total : 14 X 100 Menit B. Unsur-unsur Silabus Pengantar Data. Konsep Machine Learning : Supervised dan Unsupervised Learning Mahasiswa dapat: 1. pengertian Data. 2. sejarah dan perkembangan Data 3. manfaat dan implementasi mining konsep Machine Learning a. Pemahaman umum tentang Data. b. Pengenalan sejarah dan perkembangan Data. c. Pemahaman manfaat dan implementasi Data a. Machine Learning b. Supervised Learning c. Unsupervised Learning d. Metode Data e. Estimasi 1. Menjelaskan pemahaman umum tentang Data. 2. Menjelaskan pengenalan Sejarah dan perkembangan Data. 3. Menjelaskan Manfaat dan implementasi Data dalam kehidupan sehari-hari 1. Menjelaskan konsep machine learning yang digunakan dalam mining, supervised learning dan
Metode Data Macam-macam Data Konsep dasar proses mining. Standar Proses Data CRISP-DM Konsep Input Metode Output Evaluation metode-metode Data 3. Mahasiswa perbedaan dari macam-macam Data konsep dasar proses mining. standar proses mining CRISP- DM 3. Mahasiswa konsep Input Metode Output Evaluation Dataset pengertian set jenis-jenis set public f. Prediksi g. Klasifikasi h. Klastering i. Asosiasi a. Standar Proses Data b. 6 Fase CRISP-DM c. Fase Business Understanding d. Fase Data Understanding e. Fase Data Preparation f. Fase Modelling g. Fase Evaluation h. Fase Deployment a. Dataset public b. Dataset private c. Data preparation d. Data transformation e. Data cleaning unsupervised learning 2. Menjelaskan macammacam metode mining dan perbedaannya, estimasi, prediksi,, klastering, asosiasi 1. Menjelaskan mengenai konsep dasar proses mining. 2. Menjelaskan standar proses mining CRISP-DM 3. Menjelaskan fase-fase dalam CRISP-DM 4. Menjelaskan konsep Input-metode-outputevaluation 1. Menjelaskan pengertian set 2. Menjelaskan jenis-jenis set public dan privat 3. Menjelaskan preparation, transformation, cleaning
Naïve Bayes Classifier Decision Tree C45 set dan private set 3. Mahasiswa preparation, transformation, cleaning naïve bayes classifier dapat persoalan terkait naïve bayes classifier Decision Tree C45 a. b. Naïve bayes classifier decision tree c45 analisis untuk naïve bayes classifier analisis untuk decision tree c45
Estimasi linier regresi sederhana dan berganda K- Means dapat persoalan terkait Decision Tree C45 linier regresi sederhana dan berganda dapat persoalan terkait linier regresi klastering k- estimasi linier regresi sederhana dan berganda klastering K- means analisis untuk estimasi linier regresi analisis untuk klastering k-means
Aglomerative Hierarchial Asosiasi Apriori means dapat persoalan terkait klaster k- means klastering Aglomerative Hierarchial dapat persoalan terkait Aglomerative Hierarchial asosiasi Kaidah Asosiasi dapat persoalan terkait asosiasi Aglomerative Hierarchial Asosiasi Algortima Apriori klastering Aglomerative Hierarchial asosiasi algortima apriori
Model Data Tools Data Tools Data Review pertemuan 9-14 Responsi Apriori Mahasiswa mampu berbagai macam teknik untuk evaluasi model mining Mahasiswa mampu menguasai tools mining (Rapidminer/Weka/M atlab) Mahasiswa mampu menguasai tools mining (Rapidminer/Weka/M atlab) mampu menguasai materi dari pertemuan 9 14. a. Data b. Confusion Matrix c. RMSE Tools Data Rapid Miner. Tools Data Weka/Matlab. Review pertemuan 9 14. Menjelaskan konsep evaluasi model mining confusion matrix dan rmse Menjelaskan konsep pengolahan berbagai mining tools. Menjelaskan konsep pengolahan berbagai mining tools. Latihan soal dan pembahasan untuk persiapan Ujian Akhir Semester (UAS). 100 menit 1,2,3 Daftar Referensi Wajib 1. Ian H Witten : Data (Bagian Pemrograman Fungsional), Kelompok Keahlian Rekayasa Perangkat Lunak dan Data, 3 rd Edition, Morgan Kauffman Publisher. 2. Goronescu : Data 3. Alpaydin : Machine Learning
Disusun oleh Dosen Pengampu Diperiksa oleh Ketua Program Studi Disahkan oleh Dekan Yuniarsi Rahayu, M.Kom Dr. Ir. Rudi Tjahyono, M.M. Dr.Eng. Yuliman Purwanto,M.Eng.