Rencana Pembelajaran Semester
Deskripsi Mata Kuliah¶
Diskripsi Mata Kuliah Penambangan Web ( Web Mining )
Mata kuliah Penambangan Web menjelaskan terkait analysis yang dilakukan untuk mengekstraksi pola-pola penting yang tersimpan secara implisit pada berbagai macam kumpulan data bisnis web yang relatif besar dengan berdasarkan konsep machine learning dan statistik. Tujuan utamanya adalah mengekplorasi dan menambang pola data web untuk mendapatkan informasi yang berguna bagi kebutuhan bisnis. Penambangan data Web mining terdiri atas tiga tugas yang dilakukan secara umum yaitu: web content mining, web structure mining, dan web usage mining. Materi dalam kuliah ini akan memberikan pengetahuan, pemahaman, pengalaman penggunaan beberapa teknik dan/atau konsep dalam ekplorasi dan ektraksi informasi data yang besar web sehingga dapat dimanfaatkan untuk kebutuhan strategi dan pengambilan keputusan bisnis
Capaian Pembelajaran Mata Kuliah Penambangan Web ( Web Mining )
- Memahami proses penambangan data web
- Memahami data web
- Memahami praproses penambangan data web
- Memahami konsep dan pemodelan pengelompokan penambangan data web serta evaluasi pegelompokan
- Memahami konsep dan pemodelan klasifikasi penambangan data web serta evaluasi klasifikasi
- Memahami konsep dan pemodelan data jaringan web dan analisa jejaring sosial
- Mampu mengimplementasikan penambangan data web pengetahuan dari berbagai database besar
Materi Pembelajaran
- Pengantar Penambangan web
- Dasar dasar data mining
- Memahami data
- Rekayasa Fitur
- Web Crawling
- Pembelajaran terawasi
- Pembelajaran tak terawasi
- Evaluasi Model
- Analisa Jejaring Sosial
- Extraksi data terstruktur
- Penambangan isi web (text Mining)
- Penambangan data jejaring sosial ( graph mining)
Mata Kuliah Prasyarat¶
Statistika(TIK206), Komputasi Aljabar Linier (TIK201), Penambangan Data (TIK502)
Daftar Referensi Mata Kuliah¶
- Zaki, Mohammed J., and Wagner Meira. Data mining and analysis: fundamental concepts and algorithms. Cambridge University Press, 2014.
- Liu, Bing. Web data mining: exploring hyperlinks, contents, and usage data. Springer Science & Business Media, 2007.
- Tsvetovat, Maksim, and Alexander Kouznetsov. Social Network Analysis for Startups: Finding connections on the social web. " O'Reilly Media, Inc.", 2011
Jadwal Pembelajaran Mata Kuliah¶
Minggu Ke | Materi Pembelajaran | Sumber Referensi | Tujuan | |
1 | Pengantar Penambangan Web | 1 | Membuat arsitektur desain penambangan data web | |
2 | Dasar dasar analisa atribut kategorikal | 1 | Melakukan analisa data multivariate tipe data kategorical | |
3 | Analisa data dimensi tinggi (High-dimensional) | 1 | ||
4 | Rekayasa fitur | 1 | Melakukan reduksi dimensi dengan PCA, kernel PCA, SVD | |
5 | Pengelompokan berbasi Representatif | 1 | Melakukan pengelompokan algoritma K-mean,Kernel K-mean, Expecation Maximation | |
6 | Pengelompokan Hirarki | 1 | Melakukan pengelompokan dengan agglomerative hierarchical | |
7 | Pengelompokan berbasis density | 1 | Melakukan pengelompokan dengan algoritma dbscan | |
8 | Validasi Pengelompokan | 1 | Menghitung validasi hasil semua pengelompokan yang telah dilakukan | |
9 | Klasifikasi berbasis Probabilitas | 1 | Melakukan pengklasifian dengan metode bayes | |
10 | Klasifikasi dengan pohon keputusan | 1 | Melukan metode pengklasifian dengan algoritma ID3 dan C45 | |
11 | Centrality | 3 | Dapat menghitung centrality dari data jejaring soal | |
12 | Dasar dasar web crawling, Unversel Crawler,Focused crawler,Topical crawler | 2 | Melakukan crawling terhadap data web | |
13 | Extraksi data terstruktur | 1 | Dapat membangun vector space model | |
14 | Penambangan isi web dan Jejaring Sosial | 2,3 | Dapat mengimplementasi penambangan data web isi web dan jejaring sosial analisis dar media sosial (twitter dan linkedin dan web page ) |