# Penambangan Data (Data Mining)

## Informasi Mata Kuliah

| | |
|---|---|
| **Mata Kuliah** | Penambangan Data (Data Mining) |
| **Kelas** | A |
| **Dosen Pengampu** | Bapak Mula'ab, S.Si., M.Kom. (NIP 197305202002121001) |
| **Semester** | 4 (Empat) |
| **Program Studi** | S1 Teknik Informatika |

---

## Tentang Saya

| | |
|---|---|
| **Nama** | Zakaria Mujur Prasetyo |
| **NIM** | 240411100144 |
| **Program Studi** | S1 Teknik Informatika |

---

## Deskripsi Mata Kuliah

Mata kuliah **Penambangan Data (Data Mining)** mempelajari proses menemukan pola, korelasi, dan informasi tersembunyi yang bermanfaat dari kumpulan data yang besar. Penambangan data melibatkan teknik **statistik, matematika, kecerdasan buatan, dan machine learning** untuk mengekstraksi pengetahuan dari berbagai database besar.

Istilah "penambangan data" dianalogikan seperti menambang emas dari tumpukan batu, tanah, dan pasir — di mana yang dicari adalah informasi berharga dari data mentah yang tersedia.

> **Referensi utama situs dosen pengampu:** [https://mulaab.github.io/datamining/](https://mulaab.github.io/datamining/)

---

## Apa yang Akan Dipelajari?

Berikut adalah topik-topik utama yang akan dibahas dalam mata kuliah ini:

1. **Pengantar Data Mining** — Konsep dasar, definisi, keunggulan, tugas utama, dan proses data mining (CRISP-DM).
2. **Memahami Data** — Macam-macam data, tipe atribut (nominal, biner, ordinal, numerik), data terstruktur dan tidak terstruktur.
3. **Pengantar Data Science** — Hubungan data mining dengan data science secara umum.
4. **Distribusi & Statistik Deskriptif** — Mean, median, modus, variansi, standar deviasi, skewness, boxplot.
5. **Mengukur Jarak/Similaritas Data** — Euclidean, Manhattan, Minkowski, Cosine, Jaccard, Mahalanobis, dll.
6. **Praproses Data** — Pembersihan data, seleksi atribut, integrasi, transformasi, dan analisa bivariat.
7. **Modeling** — Membangun model dengan berbagai metode (klasifikasi, clustering, dll).
8. **Evaluasi** — Mengevaluasi performa model data mining.

---

## Daftar Pertemuan

| No | Pertemuan | Topik |
|----|-----------|-------|
| 1 | [Pertemuan 1](pertemuan1) | Pengantar Data Mining |
| 2 | [Pertemuan 2](pertemuan2) | Memahami Data |
| 3 | [Pertemuan 3](pertemuan3) | Data Preparation (Extensi) |
| 4 | [Pertemuan 4](pertemuan4) | Preprocessing & Normalisasi |
| 5 | [Tugas](Tugas%20-%20Missing%20Values%20Inputation%20+%20Materi%20Normalisasi%20Data) | Missing Values Imputation + Normalisasi |
| 6 | [Pertemuan 5](pertemuan5) | Mengukur Jarak / Similaritas Data |
| 7 | [Pertemuan 6](pertemuan6) | Praproses Data |
| 8 | [Pertemuan 7](pertemuan7) | Modeling |
| 9 | [UTS](UTS_Analisa_Kesuburan_Tanah) | Analisa Data Kesuburan Tanah (KNN) |
| 10 | [Pertemuan 9](pertemuan9) | Klasifikasi |
| 11 | [Tugas](Tugas_Naive_Bayes_Classifier) | Analisa Data Menggunakan Naive Bayes (A) |
| 12 | [Pertemuan 10](pertemuan10) | Clustering |
| 13 | [Pertemuan 11](pertemuan11) | Asosiasi |
| 14 | [Pertemuan 12](pertemuan12) | Regresi |
| 15 | [Pertemuan 13](pertemuan13) | Evaluasi Model |
| 16 | [Pertemuan 14](pertemuan14) | Studi Kasus & Review |