annemudyayolanda@
085274983345
lecturer.unri.ac.id
7
Course
2 8
Big Data
Mata kuliah Analisis Big Data mencakup konsep analisis Big Data, termasuk
Volume, Velocity, dan Variety (3V), terdapat analisis prediktif, tanpa adanya
kendala dari besarnya data yang diolah. Adanya kemajuan teknologi dalam
hal penyimpanan, pengolahan, dan analisis Big Data meliputi (a) penurunan
secara cepat terhadap biaya penyimpanan data dalam beberapa tahun
terakhir; (b) fleksibilitas dan efektivitas biaya pada pusat data dan komputasi
awan untuk perhitungan elastisitas dan penyimpanan; dan (c)
pengembangan kerangka kerja baru seperti Hadoop Ecosystem, yang
memungkinkan pengguna untuk mengambil manfaat dari sistem komputasi
terdistribusi menyimpan sejumlah data yang besar melalui pemrosesan
paralel. Kemajuan teknologi ini telah menciptakan beberapa perbedaan
antara analisis tradisional dengan analisis tingkat lanjut pada Big Data.
9
Pemrograman Komputer
PRASYARAT : KOMPUTASI STATISTIKA
SKS : 3
SOFTWARE: R
10
CAPAIAN MATA KULIAH
• Mempelajari dan memahami konsep dasar analisis Big Data, termasuk Volume,
Velocity, dan Variety (3V).
• Mampu melakukan analisis prediktif atau implementasi metode tertentu lainnya
untuk mengambil nilai dari data, tanpa adanya kendala atas besarnya data yang
diperlukan.
• Mampu menjawab tantangan termasuk analisis, capture, curation, search, sharing,
storage, transfer, visualization, and information privacy dan peluang yang
ditimbulkan oleh "Big Data" dalam berbagai domain dan bagaimana teknik statistik
dan algoritma yang inovatif dapat membantu mengumpulkan data penting dan
mempercepat penemuan informasi dalam data yang besar.
• Mampu mengambil potensi dari data yang besar untuk membantu meningkatkan
operasi atau tindakan yang sebaiknya dilakukan dengan lebih cepat, yang
memunculkan pengambilan keputusan yang lebih cerdas dari Big Data.
• Mampu melakukan analisis data dengan bantuan perangkat lunak Statistika.
11
POKOK BAHASAN
12
RENCANA PERTEMUAN MINGGUAN
MINGGU PEMBAHASAN
1 Mampu menjelaskan dan memahami konsep Big Data
2-3 Mampu memahami fenomena, framework, peluang dan
tantangan dari keseluruhan aktivitas yang berhubungan
dengan Big Data
4-5 Mampu memahami Dasar-Dasar Metode Data Analytic
6-7 Mampu menjelaskan dan memahami Teori dan Metode
Analitik Data Tingkat Lanjut (Clustering) dan
mengerjakan studi kasusnya
8 UTS
13
RENCANA PERTEMUAN MINGGUAN
MINGGU PEMBAHASAN
9-10 Mampu menjelaskan dan memahami Teori dan Metode
Analitik Data Tingkat Lanjut (Klasifikasi) dan
mengerjakan studi kasusnya
11-12 Mampu menjelaskan dan memahami Teori dan Metode
Analitik Data Tingkat Lanjut (Regresi) dan mengerjakan
studi kasusnya
13 Mengetahui teknologi dan tools Big Data dan Mampu
memahami Technology and Tools Big Data 1 of 3
14 Mampu memahami tentang Metode Machine Learning
untuk Big Data
15 Memahami tantangan dan Peluang Big Data
14
KOMPONEN PENILAIAN
UAS TUGAS
UTS KUIS
15
Bobot Penilaian:
Bobot Nilai Harian (NH) nilai tugas terstruktur = 40%
Bobot Nilai Ujian Tengah Semester (UTS) = 20%
Bobot Nilai Ujian Akhir Semester (UAS) = 40%
Nilai Akhir = 40% NH + 20% UTS + 40% UAS
16
Penentuan nilai akhir didasarkan pada peraturan
FMIPA UNRI yang sedang atau akan berlaku pada saat
pemberian nilai akhir.
No Nilai Huruf Rentang Nilai Akhir Nilai Mutu
1 A 85 ≥ NA 4.00
2 A- 80 ≤ NA < 85 3.75
3 B+ 75 ≤ NA < 80 3.50
4 B 70 ≤ NA < 75 3.00
5 B- 65 ≤ NA < 70 2.75
6 C+ 60 ≤ NA < 65 2.50
7 C 55 ≤ NA < 60 2.00
8 D 40 ≤ NA < 55 1.00
9 E NA < 40 0.00 17
Referensi Utama
1. Big Data Analytics, 1st Edition. Editor(s): Govindaraju, Raghavan, and Rao. Release
Date: 07 Jul 2015. Imprint: Elsevier.
2. Data Science and Big Data Analytics: Discovering, Anayzing, Visualizing and
Presenting Data. Editor EMC Education Services. Januari 2015.
3. Judith S. Hurwitz, et. Al. 2013. Big Data for Dummies, John Wiley & Sons, Inc.,
Hoboken, New Jersey.
Referensi Pendukung
1. Walkowiak, S. 2016. Big Data Analytics with R: Utilize R to uncover hidden patterns
in your Big Data. PACKT Publishing
2. Ledolter, J. 2013. Data mining and Business Analytics with R. John Wiley & Sons.
3. Sudeep Tanwar , Sudhanshu Tyagi and Neeraj Kumar. 2020. Multimedia Big Data
Computing for IoT Applications. Springer.
18
ATURAN PERKULIAHAN
19
ATURAN PENGGUNAAN LABORATORIUM
1. Setiap mahasiswa harus memiliki akun pada SILK berupa NIM.
2. Dilarang makan dan minum di dalam laboratorium karena bisa
merusak komponen listrik pada komputer.
3. Sediakan USB (Flashdisk) untuk penyimpanan file
4. Shutdown komputer setelah penggunaan komputer
5. Bagi kelas yang memanfaatkan fasilitas google classroom, setiap
mahasiswa diwajibkan memiliki akun email di google.
6. Dilarang mengganti/menukar komponen komputer di laboratorium
tanpa izin dan sepengetahuan pihak Jurusan Matematika FMIPA
UNRI
20
Konsep Dasar
2 21
Sebelum belajar
◉ Things to be known
◉ 4670 kampus 27779 program studi
◉ 8.043.480 mahasiswa terdaftar
◉ 1.247.116 lulusan
◉ Pengangguran intelek ?
◉ Things to be done?
◉ Niat dan Mindset
■ Penggunaan Software
■ Pemrograman
■ Analisis
■ Pemecahan Masalah
◉ Susah = kalau tidak suka
◉ Mudah = kalau suka
24
Siapa yang lebih pintar?
VS
25
Komputer
◉ Menerima,
menginterpretasi, dan
menjalankan perintah
◉ Mampukah berpikir
mandiri?
26
Manusia
◉ Memiliki keinginan,
objective, goal
◉ Mampu berpikir
sendiri dan mandiri
◉ Mampu mengarahkan,
membuat komputer
untuk meraih goal
27
Manusia dan komputer
Kebutuhan,
keinginan,
goal,
objective
28
Manusia dan komputer
Translasi ke
dalam
bahasa yang
dipahami
komputer
29
Manusia dan komputer
algoritma
Bahasa pemrograman
interpretasi
PENGOLAHAN DATA
DALAM JUMLAH LEBIH output
BESAR
30
BIG DATA
AN OVERVIEW
31
The Evolution of Data Management
32
the opportunity and challenge of big data
33
Getting Started with Big Data
34
Three attributes stand out as defining Big Data characteristics:
35
Why big data is important?
36
Several industries have led the way in developing their ability to
gather and exploit data:
37
Several industries have led the way in developing their ability to
gather and exploit data:
38
Several industries have led the way in developing their ability to
gather and exploit data:
39
What’s driving the data deluge
40
Although genotyping analyzes
only a fraction of a genome and
does not provide as much
granularity as genetic
sequencing, it does point to the
fact that data and complex
analysis is becoming more
prevalent and less expensive to
deploy.
41
Data evolution and rise of Big Data sources
42
Emerging Big Data ecosystems
Key roles of the new Big Data ecosystem
1. Deep
Analytical
Talent
has less technical depth but has a basic knowledge of statistics or machine
learning and can define key questions that can be answered using
2. Data advanced analytics. Tend to have a base knowledge of working with data,
or an appreciation for some of the work being performed by data scientists
Savvy and others with deep analytical talent: include financial analysts, market
research analysts, life scientists, operations managers, and business and
Professionals functional managers.
Key roles of the new Big Data ecosystem
1. Deep
Analytical
Talent
2. Data Savvy
Professionals
47
Statisticians determined that the retailer made a great deal of
money from three main lifeevent situations
💑
Marriage
💑
Divorce
👪
Pregnancy
when people tend to buy when people buy new when people have many
many new products products and change their new things to buy and
spending habits have an urgency to buy
them
48
Target determined that the most lucrative of these life-events is
the third situation: pregnancy
49
TODAY’S HILITE
LIFE STYLE
SOCIAL
MEDIA
COFFEE
FOOD
50
THANKS!
Any questions?
51
See you next meeting
52