Mata kuliah ini membekali mahasiswa dengan konsep, metode, dan keterampilan praktis dalam sains data yang relevan dengan bidang Teknik Industri. Mahasiswa akan mempelajari dasar pengolahan data, eksplorasi, analisis, visualisasi, hingga penerapan model sederhana dengan menggunakan Microsoft Excel dan Python (pandas, matplotlib, scikit-learn).

• Mahasiswa mampu menjelaskan konsep dasar sains data serta peranannya dalam bidang teknik industri, termasuk pengolahan data, visualisasi, analisis, dan penerapan model prediktif sederhana.
• Mahasiswa mampu menggunakan Microsoft Excel dan Python untuk melakukan pengolahan, eksplorasi, pembersihan, dan analisis data industri secara sistematis.
• Mahasiswa mampu membangun model analitik dan visualisasi untuk mendukung pengambilan keputusan.
• Mahasiswa mampu merancang dan menerapkan metode analisis statistik, regresi, analisis multivariat, time series, dan data mining untuk mendukung pengambilan keputusan dalam konteks industri manufaktur maupun jasa.

1. Pengantar Sains Data untuk Teknik Industri

   • Definisi, ruang lingkup, dan relevansi dalam manufaktur & jasa

   • Peran Excel dan Python dalam analisis data industri

   • Praktik: Instalasi Python (Anaconda/Jupyter Notebook)

   • Referensi: Provost & Fawcett (2013), Data Science for Business, Bab 1

2. Jenis Data dan Sumber Data Industri

   • Data terstruktur & tidak terstruktur

   • Database industri, sensor IoT, data transaksi

   • Praktik: Import data dari CSV/Excel ke Python & Excel

   • Referensi: Montgomery et al. (2021), Introduction to Time Series Analysis and Forecasting

3. Statistik Deskriptif & Visualisasi Data Dasar

   • Mean, median, modus, varians, standar deviasi

   • Visualisasi: histogram, boxplot, scatter plot (Excel & Python/Matplotlib)

   • Referensi: Montgomery & Runger (2018), Applied Statistics and Probability for Engineers

4. Pembersihan & Transformasi Data (Data Cleaning & Wrangling)

   • Missing values, outlier detection

   • Normalisasi dan standarisasi data

   • Praktik: Data cleaning dengan Excel (filter, replace) & Python (pandas)

   • Referensi: VanderPlas (2016), Python Data Science Handbook

5. Analisis Korelasi & Regresi Sederhana

   • Korelasi Pearson, Spearman

   • Regresi linear sederhana untuk prediksi

   • Praktik: Analisis hubungan variabel produksi vs waktu

   • Referensi: Montgomery et al. (2012), Introduction to Linear Regression Analysis

6. Pengantar Analisis Multivariat

   • Regresi berganda, multikolinearitas

   • Studi kasus: permintaan produk berdasarkan faktor harga, promosi, musim

   • Praktik: Excel (Data Analysis Toolpak) & Python (scikit-learn LinearRegression)

   • Referensi: Hair et al. (2019), Multivariate Data Analysis

7. Studi Kasus & Review Menjelang UTS

   • Studi kasus industri: analisis data penjualan / produksi

   • Latihan: integrasi Excel & Python dalam workflow sains data

   • Diskusi review & persiapan UTS

Setelah UTS (Pertemuan 8–14)

8. Data Mining & Exploratory Data Analysis (EDA)

   • Clustering (k-means), asosiasi pola

   • Praktik: Segmentasi pelanggan dengan Excel (Pivot + Cluster manual) & Python (sklearn KMeans)

   • Referensi: Han, Kamber & Pei (2012), Data Mining: Concepts and Techniques

9. Analisis Prediktif dengan Machine Learning

   • Supervised learning: regresi & klasifikasi

   • Praktik: Prediksi kelulusan produksi (Good/Reject) dengan Python (Logistic Regression)

   • Referensi: Géron (2022), Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow

10. Time Series Analysis

• Konsep deret waktu (trend, musiman, siklus)

• Forecasting dengan Excel (Forecast Sheet) & Python (statsmodels)

• Referensi: Montgomery et al. (2021), Introduction to Time Series Analysis and Forecasting

11. Optimasi & Decision Analytics

• Penggunaan data untuk pengambilan keputusan industri

• Praktik: Linear Programming (Excel Solver & Python PuLP)

• Referensi: Hillier & Lieberman (2021), Introduction to Operations Research

12. Big Data & Industri 4.0

• Konsep big data, IoT, dan aplikasinya dalam industri

• Tools big data (perkenalan singkat: Hadoop, Spark)

• Referensi: Marr (2016), Big Data in Practice

13. Proyek Mini Sains Data

• Mahasiswa mengerjakan studi kasus:
  Contoh: Analisis efisiensi mesin produksi atau prediksi permintaan produk

• Menggunakan kombinasi Excel & Python

14. Presentasi Proyek & Review Menjelang UAS

• Presentasi hasil analisis data

• Diskusi integrasi teori & praktik

• Review persiapan UAS