Pengajar Mata Kuliah 1. Dr. Ardiansyah 2. Hety Handayani Hidayat, M.Si Deskripsi Mata kuliah ini menekankan pada aspek praktis berupa : 1. Penyelesaian permasalahan komputasi untuk kepentingan saintifik. Penggunaan teknik pemrograman dengan bahasa Python menjadi fokus bagian ini. Mahasiswa diharapkan dapat menyelesaikan persamaan differensial yang biasanya merupakan model matematis dalam sistem alam. Mahasiswa juga diharapkan dapat menggambarkan penyelesaian itu sebagai grafik dan menerapkan teknik-teknik ini jika berkarir dalam dunia akademik 2. Pengolahan data dan penggalian informasi yang diperoleh dari data Pemanfaatan algoritma machine learning untuk mendapatkan informasi dari data dan mendapatkan model prediksi berdasarkan data. Berbagai teknik penggalian informasi seperti clustering akan diperkenalkan dengan program R dan SPSS. Mahasiswa diharapkan dapat menerapkan teknik-teknik ini jika bekerja sebagai analis data dalam sebuah organisasi bisnis Capaian Pembelajaran Setelah mengikuti mata kuliah ini, diharapkan mahasiswa mampu : Menggunakan pemrograman Python untuk menyelesaikan persamaan differensial dan komputasi saintifik lainnya Mampu membuat simulasi danmenyajikan penyelesaian dalam bentuk grafik Menggunakan berbagai teknik penggalian informasi dari set data dengan program R Membuat model prediksi berdasarkan data untuk kepentingan bisnis dan lainnya

---

Course Modules

Capaian Pembelajaran Mahasiswa mampu menjelaskan perbedaan antara permodelan yang berbasis matematis dan permodelan yang berbasis pembelajaran terhadap data Mahasiswa mampu menjelaskan perbedaan bahasa pemrograman interpreter dan kompiler Mahasiswa mampu menjelaskan manfaat komputasi saintifik dan penambangan data dalam berbagai bidang dan industri Pokok Bahasan Modeling saintifik Model yang mempelajari data Interpreter dan Kompiler Bahasa komputasi terkini Aplikasi komputasi saintifik dan penambangan data

---

Course Modules

Capaian Pembelajaran Mahasiswa mengenal perintah dasar dalam pemrograman Python Mahasiswa mampu menggunakan perintah untuk loop, statemen bersyarat Mahasiswa mampu menampilkan data dan hasil perhitungan Pokok Bahasan Input variabel Tuple dan List Looping (for...) Conditional Statemen (if...) Print Anaconda, Python Package

---

Course Modules

Capaian Pembelajaran Mahasiswa mampu membuat fungsi menggunakan python Mahasiswa mampu mengerjakan perhitungan-perhitungan saintifik pada mata kuliah lain (misal hidrologi, kalkulus) menggunakan numpy dan scipy mahasiswa mampu melakukan operasi matrik dengan numpy Pokok Bahasan Membuat fungsi dan memanggil fungsi Scipy dan fungsi-fungsinya (Integrasi, differensiasi, spline, dll) Numpy dan fungsi-fungsinya (matrik, operasi matrik, dll)

---

Course Modules

Capaian Pembelajaran Mahasiswa mampu memilih grafik yang tepat agar mudah dipahami pembaca Mahasiswa mampu menggunakan matplotlib untuk membuat berbagai jenis grafik Mahasiswa mampu membuat program yang memproses data dan menampilkan grafik Pokok Bahasan Jenis-jenis grafik dan seni menampilkan data Penggunaan matplotlib untuk menampilkan berbagai jenis grafik Membaca data, menghitung data, dan pemrograman grafik

---

Course Modules

Capaian Pembelajaran Mahasiswa mampu melakukan berbagai operasi matrik menggunakan Scipy dan Numpy Mahasiswa mampu menerapkan operasi matrik pada berbagai kasus di mata kuliah lain yang pernah dipelajari Pokok Bahasan Penjumlahan dan pengurangan matrik Perkalian matrik, inverse matrik Aljabar matrik

---

Course Modules

Capaian Pembelajaran Mahasiswa mampu men-generate data dengan berbagai distribusi menggunakan Scipy Mahasiswa mampu menjelaskan berbagai jenis fungsi distribusi Mahasiswa mampu mencocokan data dengan distribusi yang tepat Mahasiswa mampu menguji hipotesis Pokok Bahasan Distribusi data dengan scipy Probability Mass Function (PMF) Cumulative Distribution Function (CDF) Probability Density Function (PDF) Pencocokan data dengan distribusi Uji hipotesis

---

Course Modules

Capaian Pembelajaran Mahasiswa dapat menerapkan teknik pemrograman dalam bahasa Python untuk merumuskan, menyelesaikan, dan menyajikan penyelesaian (dalam bentuk grafik) sebuah model matematika dari sistem alam (sisitem fisika, sistem biologi pertanian, mesin, dll) berbentuk Ordinary Differential Equation (Persamaan Differensial Biasa/PDB). Pokok Bahasan Penyelesaian persamaan diferensial tunggal Penyelesaian sistem persamaan diferensial (lebih dari satu persamaan) Persamaan diferensial dan sistem dinamik Contoh penyelesaian Model Lotka-Voltera

---

Course Modules

---

Course Modules

Capaian Pembelajaran Mahasiswa/i dapat menjelaskan perbedaan definisi data, informasi dan pengetahuan Mahasiswa/i dapat memahami pengertian data mining Mahasiswa/i dapat menjelaskan peranan penting data mining Mahasiswa/i dapat memahami tahapan-tahapan umum dalam proses data mining Pokok Bahasan Pengertian data, informasi dan pengetahuan Definisi data mining dan hubungannya dengan bidang lain Peranan utama data mining Tahapan-tahapan umum dalam proses data mining

---

Course Modules

Capaian Pembelajaran Mahasiswa/i dapat menjelaskan jenis dan kualitas data Mahasiswa/i dapat menyebutkankonsep dan fungsi prepocessing data Mahasiswa/i dapat mengaplikasikan minimal 1 teknik preprocessing data dalam studi kasus Pokok Bahasan Jenis dan Kualitas data konsep dan fungsi prepocessing data Teknik-teknik prepocessing data

---

Course Modules

Capaian Pembelajaran Mahasiswa/i dapat menjelaskan konsep dasar Case Based Reasoning Mahasiswa/i dapat melakukan perhitungan Case Based Reasoning Mahasiswa/i dapat memprediksi solusi yang diberikan dengan Case Based Reasoning Pokok Bahasan Teori dan konsep Case Based Reasoning Perhitungan manual Case Based Reasoning Case Based Reasoning dengan R Studio

---

Course Modules

Capaian Pembelajaran Mahasiswa/i dapat menjelaskan teknik klustering dalam data mining khususnya K-Means Mahasiswa/i dapat mengklusterkan data dengan K-Means pada R studio maupun SPSS Pokok Bahasan Definisi dan konsep dasar clustering Teori dan konsep K-Means Perhitungan Manual K-Means Clustering K-means dengan R Studio dan SPSS

---

Course Modules

Capaian Pembelajaran Mahasiswa/i dapat menjelaskan teknik klasifikasi dalam data mining terutama Naive Bayes Mahasiswa/i dapat mengklasifikasikan data dengan Naive Bayes baik manual maupun pada R studio Pokok Bahasan Definisi dan konsep dasar klasifikasi Perbedaan Clustering dan Klasifikasi Teori dan konsep Naive Bayes Perhitungan ManualNaive Bayes manual dan dengan R Studio

---

Course Modules

Capaian Pembelajaran Mahasiswa/i dapat memahami konsep dasar klasifikasi Decision Tree Mahasiswa/i dapat mengklasifikasikan data dengan Decision Tree manual, SPSS maupun R studio Mahasiswa/i dapat membandingkan hasil Klasifikasi Naive Bayes dan Decision Tree Pokok Bahasan Teori dan konsepDecision Tree Perhitungan ManualDecision Tree Klasifikasi data dengan metodeDecision Tree secara manual, pada software SPSS dan R Studio Perbandingan Klasifikasi Naive Bayes dan Decision Tree

---

Course Modules

Capaian Pembelajaran Mahasiswa/i dapat menmahami konsep teknik asosiasi Algoritma Apriori Mahasiswa/i dapat memprediksi keputusan dengan Algoritma Apriori manual maupun dengan R studio Pokok Bahasan Teori dan konsep Algoritma Apriori Perhitungan Manual Algoritma Apriori manual dan dengan R Studio

---

Course Modules

---

Course Modules