01-Pengantar Sains Data 25 hsakakasala.pptx

01-Pengantar Sains Data 25 hsakakasala.pptx

1. Pengantar Sains Data Yogi Saputra

2. RPS MATAKULIAH SEMESTER Ganjil Sept – des 2025

3. Silabus Mata Kuliah 01 02 03 04 05 06 07 08 (UTS) 09 10 11 12 13 14 15 16 (UTS)

4. CPL & CPMK Mata Kuliah CPL CPMK

5. KONTRAK PERKULIHAN DATA SCIENCE SEMESTER Ganjil Sept – des 2025

6. ATURAN PERKULIAHAN Mahasiswa diharapkan masuk kelas on-time, terlambat 15 menit dengan kesadaran sendiri diharpak tidak menggangu perkuliahan di kelas . Lewat dari 15 menit di anggap tidak hadir . Perkuliahan kosong jika dosen yang bersangkutan memberi informasi sebelumnya atau tidak hadir setalah 15 menit jadawal perkuliahan dimulai . Selama perkuliahan , mahasiswa diwajibkan untuk tidak menggunakan kaos oblong dan tidak menggunakan sendal atau sejenisnya . Melanggar hal tersebut tidak diperbolehkan mengikuti perkuliahan . Sistem perkuliahan kita lakukan dengan metode diskusi kelompok . Absensi juga wajib di ambil di e- lerning masing-masing.

7. SISTEM PENILAIAN QUIZ 5 % TUGAS KELOMPOK 15 % UTS 10 % UAS 20 % TUGAS AKHIR 50 % UNTUK KEHADIRAN HARUS 90 % SETIAP KALI AKAN MELAKSANAKAN UJIAN. JIKA KEHADIRAN KURANG DARI 90 % MAKA TIDAK BISA MELAKSANAKAN UJIAN.

8. Pengantar Sains Data https://wayground.com/join passcode : 800805

9. Apa itu data science ? Data science adalah ilmu yang menggabungkan matematika , statisika dengan ilmu komputer dengan tujuan analisa data (data analysis) dari suatu himpunan data baik skala kecil ( sampel ) maupun besar ( populasi ) dengan mengaplikasikan algoritma tertentu untuk tujuan menggali data (data mining). Mendapatkan pola data serta dapat melakukan prediksi data (prediction) dengan cukup akurat yang dapat membantu dalam pengambilan keputusan dan dapat digunakan untuk membuat sistem yang cerdas (AI) yang dapat terus belajar dengan sendirinya (machine learning).

10. 10 10

11. Kemampuan apa yang dibutuhkan ? Kemampuan Matematika dan Statistika Kemampuan Pemrograman (R, Python, dan lainnya ) Kemampuan Database dan Query (SQL dan lainnya ) dan pengolahan data Kemampuan analisa data dan visualisasi data Kemampuan pemahaman masalah terkait bisnis atau suatu bidang lainnya .

12. Apa beda Data Science, Data Mining & Machine Learning ?

13. Data Science melibatkan proses berikut : Data Mining adalah proses pengambilan informasi dari pola data dari himpunan data yang sebelumnya tidak diketahui , kadang disebut juga Data Discovery. Data Mining fokus pada mengekstrak pola menggunakan metode statistik untuk dianalisa dan dapat juga melakukan prediksi . Machine learning adalah bidang yang merupakan bagian dari Artificial Intelligence (AI) yang digunakan agar sistem komputer secara otomatis dapat belajar dengan sendirinya tanpa diberi instruksi pemrograman dan dapat meningkatkan prediksi yang akurat dan pengunaannya biasanya sifatnya realtime . Jadi Data Mining dan Machine Learning merupakan bagian dari Data Science

14. Tujuan Data Science Menggali data dan memberikan informasi seakurat mungkin yang digunakan untuk : Deskripsi yaitu menampilkan pola data untuk dianalisa dan penemuan masalah . Prediksi yaitu melakukan prediksi berupa nilai , probabilitas maupun data dan kemudian merekomendasikan hasilnya untuk digunakan sebagai alat bantu pengambil keputusan maupun secara langsung digunakan secara otomatis oleh sistem .

15. JENIS PEMBELAJARAN DATA SCIENCE Jenis Pembelajaran Data Science Supervised Learning (Prediksi) Untuk membentuk sistem yang cerdas, sistem harus diberikan pelatihan terlebih dahulu (training) dengan data fakta (labelled training), sistem akan belajar dan membentuk pola data yang ada baru kemudian digunakan untuk melakukan prediksi, proses belajarnya seperti anak murid yang diajarkan oleh guru. Unsupervised Learning (Deskripsi) Sistem dapat mengandalkan data yang belum dilatih sebelumnya (unlabelled training) dan dapat membentuk pola data yang sifatnya deskriptif, bukan untuk prediksi. Reinforced dan Deep Learning (Prediksi) Sistem belajar dari feedback lingkungan dengan teknik learning yang iteratif (berulang-ulang) dan adaptif (menyesuaikan) seperti cara manusia belajar dengan sendirinya, algoritma digunakan untuk memaksa sistem belajar menemukan nilai optimal dengan coba-coba (trial and error). Teknik pembelajaran menggunakan algoritma Neural Network berlapis yang sangat mirip dengan cara kerja otak manusia dimana neuron-neuron satu sama lain membentuk jaringan neuron yang sangat rumit. Digunakan untuk banyak jenis seperti : Prediksi populasi, cuaca, kondisi pasar, iklan, pendeteksi penipuan, klasifikasi gambar, pola kebiasaan pelanggan, jenis atau karakteristik pelanggan, marketing yang lebih terarah, rekomendasi produk, AI Game, pendeteksi anomali dan masih banyak kegunaan lainnya.

16. MACHINE LEARNING VS TRADITIONAL PROGRAMMING Machine Learning h a n y a membutuhkan Data sebagai input dan contoh di i n g i n k a n, d a n output si st em y ang a k a n men c a r i de n g a n s e n di r i n y a program perhitungannya. CONTOH Data Training berisi data fakta yang ada Data Tes berisi data yang ingin diprediksi

17. 07/09/23 201004-705-01-065 - Data Science - Informatics UIN SGD Bandung 23

18. Question 1 Question 2 Question 3 07/09/23 201004-705-01-065 - Data Science - Informatics UIN SGD Bandung 24 https://wayground.com/join passcode : 069942