Pemrograman Data Science

Kuliah interaktif, live coding bersama, dan latihan terbimbing berpasangan (pair programming) dengan studi kasus data transaksi

Dosen: Menjelaskan model komputasi array dan keunggulan vektorisasi; mendemonstrasikan indexing dan broadcasting; memberi potongan kode bermasalah untuk diperbaiki mahasiswa; mengawasi pair programming dan memberi umpan balik langsung.

Mahasiswa: Mengikuti live coding; menulis ulang fungsi berbasis perulangan menjadi bentuk tervektorisasi; membandingkan waktu eksekusi kedua pendekatan; mengerjakan kuis kode di akhir sesi.

Tugas: Menyelesaikan notebook latihan berisi enam soal komputasi array (normalisasi data, agregasi per kategori, penapisan kondisional) dengan penjelasan singkat tiap langkah.

Kuis pemrograman singkat (menuliskan dan menganalisis potongan kode NumPy)

Rubrik penyekoran: kebenaran keluaran 50%, ketepatan penggunaan vektorisasi 30%, keterbacaan kode 20%; skor skala 0-100 pada komponen Kuis.

• Menerapkan indexing, slicing, dan broadcasting untuk memanipulasi array multidimensi
• Mengubah rutin berbasis perulangan menjadi operasi tervektorisasi yang menghasilkan keluaran identik
• Menganalisis perbedaan efisiensi eksekusi antara pendekatan loop dan vektorisasi
• Menghitung statistik deskriptif dari array data secara benar

Kuliah interaktif singkat dilanjutkan praktikum terbimbing di laboratorium dengan dataset operasional organisasi

Dosen: Menjelaskan model data DataFrame dan prinsip tidy data; mendemonstrasikan pembacaan data dari beragam sumber; menyiapkan dataset praktikum; mendampingi mahasiswa dan menilai hasil praktik menggunakan rubrik.

Mahasiswa: Mengimpor dataset penjualan/layanan ke DataFrame; melakukan seleksi dan penapisan sesuai skenario kebutuhan informasi; membentuk kolom turunan; menyusun notebook praktikum yang terdokumentasi.

Tugas: Menyusun laporan notebook manipulasi data: mengimpor minimal dua sumber data berbeda format, merapikannya menjadi struktur tidy, dan menjawab lima pertanyaan bisnis melalui operasi pandas.

Penilaian praktik laboratorium dan notebook manipulasi data

Rubrik analitik: ketepatan impor dan tipe data 25%, kebenaran operasi seleksi/penapisan 35%, kesesuaian struktur tidy 20%, dokumentasi notebook 20%; skala 0-100 pada komponen Praktik / Tugas.

• Mengimpor data dari sekurang-kurangnya dua format sumber ke dalam DataFrame dengan tipe data yang tepat
• Melakukan seleksi, penapisan, dan pengurutan data sesuai skenario kebutuhan informasi organisasi
• Menjelaskan prinsip tidy data dan menunjukkan penerapannya pada dataset praktikum
• Mendokumentasikan langkah manipulasi data dalam notebook yang dapat dijalankan ulang

Praktikum berbasis masalah dengan dataset kotor, diskusi kelompok kecil untuk menetapkan strategi pembersihan, dan presentasi kilat hasil kelompok

Dosen: Menyediakan dataset kotor beranotasi masalah; memfasilitasi diskusi penetapan strategi penanganan data hilang dan pencilan; mendemonstrasikan groupby dan merge; memberi umpan balik atas pipeline yang disusun mahasiswa.

Mahasiswa: Mendiagnosis masalah kualitas data; berdiskusi dalam kelompok kecil memilih strategi penanganan beserta alasannya; membangun pipeline pembersihan; menyajikan ringkasan keputusan pembersihan kepada kelas.

Tugas: Membangun pipeline pembersihan data end-to-end atas dataset yang diberikan, disertai catatan justifikasi setiap keputusan penanganan nilai hilang, duplikat, dan pencilan, serta ringkasan agregat per kategori.

Penilaian praktik pipeline pembersihan data dan justifikasi keputusan

Rubrik analitik: ketepatan deteksi masalah kualitas data 25%, kebenaran transformasi dan penggabungan 30%, kualitas justifikasi keputusan 25%, reproducibility pipeline 20%; skala 0-100 pada komponen Praktik / Tugas.

• Mendeteksi nilai hilang, duplikat, dan pencilan pada dataset serta melaporkan besarannya secara kuantitatif
• Menerapkan strategi penanganan kualitas data disertai justifikasi yang relevan dengan konteks kasus
• Menggabungkan beberapa tabel dan melakukan reshaping data sesuai kebutuhan analisis
• Menyusun pipeline pembersihan yang dapat dijalankan ulang dan menghasilkan keluaran konsisten

Kuliah interaktif berbasis pertanyaan, praktikum eksplorasi dataset, dan diskusi kelompok kecil menafsirkan temuan

Dosen: Memodelkan cara merumuskan pertanyaan eksploratif; mendemonstrasikan perhitungan ringkasan statistik dan korelasi; memandu diskusi interpretasi temuan; mengoreksi kesalahan penafsiran hubungan statistik.

Mahasiswa: Merumuskan pertanyaan eksploratif atas dataset kasus; menghitung ringkasan statistik dan korelasi; mengidentifikasi anomali; mendiskusikan makna temuan dalam kelompok kecil.

Tugas: Menyusun notebook EDA atas dataset pilihan yang memuat minimal lima pertanyaan eksploratif beserta bukti statistik dan interpretasi singkat tiap temuan.

• Merumuskan pertanyaan eksploratif yang relevan dengan karakteristik dataset
• Menghitung dan menafsirkan ukuran pemusatan, penyebaran, serta korelasi antarvariabel
• Mengidentifikasi pola dan anomali data beserta dugaan penyebabnya

Kuliah interaktif dengan kritik visual (visual critique) terhadap contoh grafik, praktikum pembuatan grafik, dan peer review antarmahasiswa

Dosen: Menyajikan prinsip pemilihan grafik sesuai tipe data dan pesan; memandu kritik atas contoh grafik menyesatkan; mendemonstrasikan pembuatan grafik multi-panel; memfasilitasi peer review karya visual.

Mahasiswa: Mengkritisi contoh grafik dari media dan laporan organisasi; membuat rangkaian grafik untuk dataset kasus; memperbaiki grafik berdasarkan masukan rekan sejawat.

Tugas: Membuat dashboard statis berisi minimal empat grafik yang saling melengkapi atas dataset EDA minggu sebelumnya, disertai paragraf pesan utama tiap grafik.

• Memilih jenis grafik yang sesuai dengan tipe variabel dan pesan analitik
• Menghasilkan visualisasi yang terbaca lengkap dengan judul, label sumbu, dan anotasi
• Mengevaluasi kelemahan sebuah visualisasi dan mengusulkan perbaikannya

Kuliah interaktif, demonstrasi pengambilan data langsung, dan praktikum studi kasus penyusunan dataset analitik

Dosen: Mendemonstrasikan pemanggilan API dan pembacaan data dari basis data; menjelaskan risiko kebocoran data pada rekayasa fitur; membimbing praktikum penyusunan feature set; mengulas hasil kerja mahasiswa.

Mahasiswa: Mengambil data dari API/basis data yang disediakan; merancang dan mengimplementasikan fitur turunan; melakukan encoding dan penskalaan; mendokumentasikan kamus fitur.

Tugas: Menyusun dataset analitik siap model dari sumber mentah, dilengkapi kamus fitur yang menjelaskan definisi, tipe, dan cara penurunan setiap fitur; sekaligus menyiapkan bahan review menghadapi UTS.

• Mengakuisisi data dari API atau basis data dan memuatnya ke struktur DataFrame
• Merancang fitur turunan yang relevan dengan tujuan analisis kasus
• Menerapkan encoding dan penskalaan variabel secara tepat tanpa menimbulkan kebocoran data

Kuliah interaktif, live coding pemodelan dengan scikit-learn, dan latihan terbimbing analisis kasus prediksi numerik

Dosen: Menjelaskan alur estimator-fit-predict pada scikit-learn; mendemonstrasikan pembangunan model regresi dan pembacaan metrik; memandu mahasiswa menafsirkan koefisien dalam konteks bisnis; memberi umpan balik atas eksperimen mahasiswa.

Mahasiswa: Membangun model regresi atas dataset kasus; membandingkan kinerja model dasar dan model teregularisasi; menafsirkan koefisien serta metrik galat; mencatat temuan eksperimen.

Tugas: Melatih sekurang-kurangnya tiga varian model regresi pada dataset kasus, menyajikan tabel perbandingan metrik, dan menuliskan rekomendasi model terpilih beserta alasannya.

• Membangun model regresi menggunakan alur kerja scikit-learn secara benar
• Menafsirkan koefisien model dan metrik galat dalam konteks permasalahan organisasi
• Membandingkan kinerja model dasar dan model teregularisasi berdasarkan bukti metrik

Kuliah interaktif, praktikum komparatif algoritma klasifikasi, dan diskusi kelompok kecil tentang pemilihan metrik sesuai konteks keputusan

Dosen: Menjelaskan karakteristik tiap algoritma klasifikasi; mendemonstrasikan pembacaan matriks konfusi dan kurva ROC; memfasilitasi diskusi trade-off precision-recall pada kasus nyata; mendampingi praktikum.

Mahasiswa: Melatih beberapa algoritma klasifikasi pada dataset yang sama; menghitung dan membandingkan metrik evaluasi; berdiskusi menentukan metrik prioritas sesuai konsekuensi kesalahan keputusan; menyajikan kepentingan fitur.

Tugas: Menyusun laporan komparasi minimal tiga algoritma klasifikasi pada satu kasus organisasi, memuat matriks konfusi, metrik evaluasi, dan argumentasi pemilihan model.

• Melatih dan mengevaluasi beberapa algoritma klasifikasi pada dataset yang sama
• Menafsirkan matriks konfusi dan metrik klasifikasi sesuai konteks risiko keputusan
• Memilih model klasifikasi terbaik disertai argumentasi berbasis bukti evaluasi

Praktikum berbasis masalah, eksperimen terstruktur secara berkelompok, dan presentasi kilat hasil penyetelan model

Dosen: Menjelaskan skema validasi silang dan risiko kebocoran pada praproses; mendemonstrasikan penyusunan Pipeline; menetapkan skenario eksperimen tiap kelompok; mengulas hasil penyetelan yang dipresentasikan.

Mahasiswa: Menyusun Pipeline praproses dan model menjadi satu objek; menjalankan validasi silang dan pencarian hyperparameter; mendiagnosis kurva belajar; mempresentasikan peningkatan kinerja yang dicapai.

Tugas: Melakukan penyetelan hyperparameter atas model terpilih dengan validasi silang, mendokumentasikan grid pencarian, hasil tiap konfigurasi, dan konfigurasi terbaik beserta analisis penyebab peningkatan kinerja.

• Menyusun pipeline praproses dan pemodelan yang mencegah kebocoran data
• Menjalankan validasi silang dan melaporkan kinerja beserta sebarannya
• Mendiagnosis kondisi overfitting atau underfitting dari bukti kurva belajar dan menetapkan tindakan perbaikan

Kuliah interaktif, praktikum segmentasi data, dan diskusi kelompok kecil menafsirkan profil segmen

Dosen: Menjelaskan perbedaan asumsi tiap algoritma klasterisasi; mendemonstrasikan PCA dan pembacaan komponen utama; memandu praktikum segmentasi pelanggan; memfasilitasi diskusi implikasi manajerial segmen.

Mahasiswa: Melakukan klasterisasi pada dataset pelanggan/transaksi; mengevaluasi kualitas klaster; memvisualisasikan hasil melalui proyeksi PCA; menyusun profil dan penamaan tiap segmen.

Tugas: Menghasilkan laporan segmentasi yang memuat penentuan jumlah klaster beserta buktinya, profil tiap segmen, dan usulan tindakan organisasi untuk masing-masing segmen.

• Menerapkan algoritma klasterisasi dan menetapkan jumlah klaster berdasarkan bukti evaluasi
• Menggunakan reduksi dimensi untuk memvisualisasikan struktur data berdimensi tinggi
• Menafsirkan profil segmen menjadi implikasi keputusan yang relevan bagi organisasi

Kuliah interaktif, live coding analisis deret waktu, dan latihan terbimbing peramalan data operasional

Dosen: Menjelaskan karakteristik khusus data temporal dan larangan pengacakan pada validasi; mendemonstrasikan resampling dan dekomposisi; membimbing penyusunan model peramalan sederhana; mengulas galat peramalan mahasiswa.

Mahasiswa: Menyiapkan data berindeks waktu dan melakukan resampling; mendekomposisi komponen deret; membangun model peramalan dasar; mengevaluasi hasil dengan skema validasi berurutan.

Tugas: Menyusun notebook peramalan atas satu seri data operasional: dekomposisi komponen, pembuatan minimal dua model peramalan, dan perbandingan galat pada periode uji.

• Menyiapkan dan meresample data deret waktu pada granularitas yang sesuai
• Mendekomposisi deret menjadi komponen tren, musiman, dan residu serta menafsirkannya
• Mengevaluasi hasil peramalan menggunakan skema validasi yang menghormati urutan waktu

Kuliah interaktif, demonstrasi optimasi memori, dan praktikum restrukturisasi proyek menjadi alur kerja reproducible

Dosen: Menjelaskan batas pemrosesan in-memory dan alternatif penanganannya; mendemonstrasikan pembacaan data bertahap dan format kolomnar; memeriksa struktur proyek mahasiswa; memberi umpan balik atas reproducibility proyek.

Mahasiswa: Mengukur jejak memori dataset dan mengoptimasinya; memproses data secara bertahap; menata proyek akhir ke dalam struktur direktori baku dengan berkas lingkungan; menguji kode berjalan ulang dari awal.

Tugas: Merapikan repositori proyek akhir agar memenuhi kriteria reproducible: struktur direktori jelas, daftar dependensi, notebook/skrip yang dapat dijalankan berurutan, dan berkas dokumentasi ringkas.

• Mengoptimasi penggunaan memori pemrosesan dataset melalui pemilihan tipe data dan strategi chunking
• Menjelaskan keterbatasan pemrosesan in-memory dan alternatif pendekatan terdistribusi
• Menata proyek data science ke dalam struktur yang dapat dijalankan ulang oleh pihak lain

Studi kasus komunikasi hasil, presentasi kemajuan kelompok, dan asistensi proyek berbasis umpan balik terstruktur

Dosen: Memodelkan penyusunan narasi analitik dari temuan teknis; memandu presentasi kemajuan tiap kelompok; memberi umpan balik terstruktur atas metode, bukti, dan rekomendasi proyek; menjelaskan rubrik penilaian proyek akhir.

Mahasiswa: Mempresentasikan kemajuan proyek akhir; memberi dan menerima masukan sejawat; memperbaiki alur narasi serta visualisasi laporan; menyusun rencana penyelesaian proyek.

Tugas: Menyempurnakan laporan dan bahan presentasi proyek akhir berdasarkan umpan balik kelas, mencakup penajaman rumusan masalah, bukti analisis, keterbatasan, dan rekomendasi bagi organisasi.

• Menyusun narasi analitik yang runtut dari rumusan masalah hingga rekomendasi
• Menyajikan temuan analisis secara komunikatif kepada audiens non-teknis
• Mengidentifikasi keterbatasan analisis dan menyatakan tingkat ketidakpastian temuan