Deskripsi
Mata kuliah data warehouse dan data mining menjelaskan tentang konsep dan pengertian data warehouse dan data mining, konsep review database operasional menuju data warehousing, pendekatan dan teknik implementasi data mining, konsep dan pengertian business intelligence, OLAP, OLTP, OLAP vs data mining, konsep konstruksi data warehouse melalui proses extract, transform dan load, desain dan konstruksi data warehouse serta penerapannya, tujuan dan contoh aplikasi data mining serta hubungannya dengan teknologi basis data lain, tipe data yang diolah dalam data mining serta pengolahannya agar sesuai dengan teknik data mining tertentu, konsep dasar beberapa metode dalam data mining seperti klasifikasi, asosiasi, clustering serta contoh-contoh algoritma tertentu dalam data mining.
Yang Kamu Pelajari
Materi perkuliahan ini meliputi:
Konsep Data Warehouse dan Data Mining:
- Konsep data warehouse
- Konsep data mining
- Konsep business intelligence
- Korelasi data warehouse, data mining, business intelligence
OLTP dan OLAP:
- Konsep OLTP dan OLAP
- Life cycle of data mining
Desain Logis:
- Star schemas
- Snowflake schemas
- Fact tables
- Dimensions
- Multidimensional database
Desain Fisik:
- Partitioning
- Parallelism
- Compression
- Indexes
- Materialized views
Proses ETL (Extract-Transform-Load)
- Data extraction
- Transformation
- Loading and refreshing
- Warehouse metadata
Penerapan software aplikasi untuk data mining:
- Weka
- RapidMiner
- Bahasa Pemrograman Python
Masalah dan Tantangan
Data Mining:
- Permasalahan dalam Data Mining
- Tantangan dalam Data Mining
- Teknik Data Mining
Data Preprocessing:
- Definisi dan Tipe Data
- Kualitas Data
- Pengolahan Awal (Preprocessing) Data
Naive Bayes:
- Definisi Klasifikasi
- Model Klasifikasi
- Teorema Bayes
- Klasifier Naïve
Bayes
Pohon Keputusan:
- Konsep Dasar Pohon Keputusan
- Kriteria Penentuan Atribut
- Implementasi Pohon Keputusan
Regresi Linier:
- Definisi
Regresi
- Model Regresi
- Regresi Linier
Association Rule:
- Konsep Dasar Aturan Asosiasi
- Aturan Asosiasi dalam Transaksi
- Pemilihan Aturan
yang Kuat
- Frequent Itemset
Clustering K-Means:
- Konsep Dasar Teknik Clustering
- Tipe clustering
- Fungsi Kriteria untuk Clustering
- K-Means
Clustering
Principal Component Analysis:
- Konsep dasar PCA
- Penyusunan komponen utama dalam PCA
Evaluasi performa model data mining:
- Confusion Matrix
- Accuracy, Recall, Precision, F1 Score
