DEPARTEMEN SISTEM INFORMASI

Fak. Teknologi Elektro & Informatika Cerdas

IS184943
PENGGALIAN DATA
Preface

Prof. Ir. Arif Djunaidy, M.Sc., Ph.D.

adjunaidy@is.its.ac.id
adjunaidy@gmail.com
 DESKRIPSI KULIAH [1]
• Penggalian data merupakan proses yang digunakan
untuk mengekstraksi dan mengidentifikasi
informasi yang bermanfaat dan pengetahuan yang
terkait dari berbagai basis data berukuran besar
• Proses dalam penggalian data berusaha untuk
menemukan informasi yang bermakna dari suatu
korelasi baru, pola dan tren yang ada dengan cara
memilah-milah data berukuran besar yang
kemudian disimpan dalam repository menggunakan
berbagai teknik.

2
 DESKRIPSI KULIAH [2]
• Mata kuliah ini memberikan kemampuan
memanfaatkan prinsip dan teknik -teknik utama
yang digunakan dalam penggalian data dari
perspektif algoritmik dan bisnis
• Metode pembelajaran, selain kuliah, ceramah, dan
diskusi di kelas, mata kuliah ini juga menggunakan
metode pembelajaran berupa praktik untuk
implementasi beberapa teknik penggalian data
(menggunakan python)

3
 MATERI [1]
1. Overview:
pengertian dasar, motivasi dan tantangan, asal-usul
penggalian data, tugas-tugas penggalian data
2. Data:
jenis-jenis data, kualitas data, praproses data, pengukuran
keserupaan dan ketidakserupaan
3. Eksplorasi data:
statistik rangkuman, visualisasi, dan analisis data
mutidimensi

4
 MATERI [2]
4. Klasifikasi:
pendekatan umum terhadap penyelesaian persoalan
klasifikasi, Induksi pohon keputusan, overfitting model,
evaluasi kinerja pengklasifikasi, metode-metode untuk
membandingkan berbagai pengklasifikasi, pengklasifikasi
berbasis aturan, pengklasifikasi berbasis algoritma
nearest-neighbor, pengklasifikasi Bayesian, pengklasifikasi
berbasis jaringan saraf tiruan, support vector machine
(SVM), metode-metode gabungan (ensemble), persoalan
ketidakseimbangan klas

5
 MATERI [3]
4. Analisis klaster:
pengantar, K-means, klasterisasi hirarki aglomeratif,
algoritma klasterisasi berbasis densitas, algoritma
klasterisasi berbasis prototipe, evaluasi klister
5. Analisis asosiasi:
definisi persoalan, pembangkitan frequent itemset,
pembangkitan aturan menggunakan algoritma apriori,
algoritma FP-Growth, evaluasi pola-pola asosiasi,
penanganan atribut kategorikal dan atribut kontinyu,
penanganan konsep hirarki, pola-pola sekuensial
6. Deteksi anomali: pengantar, pendekatan berbasis
statistik, deteksi pencilan berbasis densitas, teknik-teknik
6 berbasis klaster
 Referensi
• Utama:
Mohammed J. Zaki, “Data Mining and Analysis:
Fundamental Concepts & Algorithms”,
Cambridge University Press, 2014
• Penunjang:
– Robert Layton, “Learning Data Mining with Python”,
Second ed., Pack Publishing, 2017
– Sebastian Raschka, “Python Machine Learning”,
Pack Publishing, 2015

7
 Asesmen Pembelajaran
1. Asesmen Individual (40%)
– Evaluasi Tengah Semester (20%)
– Evaluasi Akhir Semester (20%)
2. Asesmen Kelompok (60%)
– Tugas I: Eksplorasi dan Praproses Data (12.5%)
– Tugas I: Klasifikasi (20%)
– Tugas II: Clustering (15%)
– Tugas III: Analisis Asosiasi (12.5%)