Data Sains

Mata kuliah ini dirancang untuk memberikan pemahaman komprehensif tentang konsep, metode, dan praktik dalam data sains (data science), dengan fokus pada proses analisis data dari berbagai sumber untuk pengambilan keputusan berbasis data. Mahasiswa akan dikenalkan pada siklus hidup data sains, mulai dari pengumpulan, pembersihan, eksplorasi, hingga penerapan model analitik dan visualisasi hasil.

Materi mencakup eksplorasi metode machine learning dan data mining dalam empat pendekatan utama: prediksi (regresi, time series), klasifikasi (decision tree, Naive Bayes, KNN, SVM), klastering (K-Means, DBSCAN, hierarchical), dan asosiasi (Apriori, FP-Growth). Setiap pendekatan akan dipelajari baik secara konseptual maupun melalui praktik langsung menggunakan bahasa pemrograman Python dan berbagai pustaka seperti Pandas, Scikit-learn, dan Matplotlib.

Mahasiswa juga akan belajar menyiapkan dan memahami data, memilih teknik analisis yang sesuai, mengevaluasi model menggunakan metrik kinerja, serta mengkomunikasikan hasil melalui visualisasi dan laporan analitik. Mata kuliah ini berorientasi pada proyek sehingga mahasiswa ditugaskan untuk menyelesaikan studi kasus nyata dari berbagai bidang, seperti kesehatan, bisnis, pertanian, dan sosial.

Capaian Pembelajaran:

1. Memahami konsep dasar dan tahapan dalam proses data sains.

2. Mampu menerapkan teknik prediksi untuk memodelkan tren dan estimasi nilai masa depan.

3. Mampu menggunakan metode klasifikasi untuk pengelompokan data ke dalam kategori.

4. Mampu menerapkan teknik klastering untuk menemukan pola dan struktur tersembunyi dalam data.

5. Mampu menganalisis asosiasi antar item dalam data menggunakan algoritma market basket analysis.

6. Mampu menggunakan tools dan pustaka data sains untuk analisis dan visualisasi data.

7. Mampu menyusun laporan analitik dan menyampaikan hasil secara profesional.