Data Mining AI Studio Case Study

Setiap hari, manusia memproduksi data dalam jumlah yang sangat besar, baik dari segi jumlah maupun ukurannya. Data tidak memberikan makna dan manfaat apa pun hingga diolah menjadi informasi dan pengetahuan. Hasil pengolahan ini dapat digunakan untuk memahami pola, memprediksi kecenderungan, dan mendukung pengambilan keputusan (Clissa et al., 2023). Proses pengolahan data menjadi pengetahuan ini disebut dengan istilah data mining (Han et al., 2023). Oleh karena itu, pemahaman terhadap tahapan dan teknik data mining menjadi penting agar data dapat diolah menjadi pengetahuan yang relevan dan dapat digunakan.

Course ini membahas data mining menggunakan platform AI Studio RapidMiner berbasis framework idDS (integrated multidimensional Data Science) (Wahono & Mulyana, 2023). Framework idDS dikembangkan secara mandiri oleh BrainCorp melalui riset berkelanjutan serta pengalaman industri dalam pengolahan data. Materi mencakup konsep dan peran utama data mining, tahapan proses CRISP-DM (Witten et al., 2017), teknik data preprocessing seperti cleaning, transformation, reduction, dan integration (Bramer, 2020), serta penerapan algoritma utama meliputi klasifikasi, klasterisasi, asosiasi, dan estimasi/forecasting (Tan et al., 2019). Model pembelajaran dirancang aplikatif melalui kombinasi konsep, studi kasus, dan praktik langsung menggunakan AI Studio dengan studi kasus organisasi peserta sehingga peserta memahami what, why, dan how data mining diterapkan untuk mengubah data menjadi pengetahuan yang dapat digunakan dalam konteks organisasi dan riset.

OBJECTIVES

1. Memahami konsep dan peran utama dalam Data Mining
2. Memahami tahapan-tahapan proses Data Mining
3. Mampu menyelesaikan studi kasus Data Mining sesuai proses standar cross-industry

AUDIENCE

1. Database Administrator
2. Data Analyst
3. Business Analyst
4. Researcher
5. Programmer

PREREQUISITES

1. Data Mining AI Studio Fundamentals

CONTENT

1. Introduction

1.1. Apa & Mengapa Data Mining?
1.2. Peran Utama & Algoritma Data Mining
1.3. Irisan Disiplin Ilmu (DM, DT, AI) & Pola Penerapan Data Mining

2. Process

2.1.  Proses & Platform Data Mining
2.2. Penerapan Proses Data Mining
2.3. Evaluasi Model Data Mining
2.4. Proses Data Mining CRISP-DM

3. Data Preprocessing

3.1. Data Cleaning
3.2. Data Reduction
3.3. Data Transformation
3.4. Data Integration

4. Algorithms

4.1. Algoritma Klasifikasi
4.2. Algoritma Klastering
4.3. Algoritma Asosiasi
4.4. Algoritma Estimasi & Forecasting

5. Text Mining

5.1. Text Mining Concepts
5.2. Text Clustering
5.3. Text Classification

6. Research

6.1. Data Mining Research
6.2. Data Mining Laws
6.3. Data Mining Use Cases