silabus web mining

FAKULTAS INFORMATIKA - IT TELKOM PROGRAM STUDI S1 TEKNIK

INFORMATIKA Jl. Telekomunikasi no 1

Gedung E dan F, Bandung 40257

Dokumen Kontrol

Kurikulum: 2012

Revisi Ke:

Disahkan:

SILABUS MATA KULIAH

I. IDENTITAS MATA KULIAH

Nama Mata Kuliah : Web Mining

Kode Mata Kuliah :

SKS : 3 SKS

Jenis : MK Wajib / MK Pilihan / Praktikum *)

Jam pelaksanaan : Tatap muka di kelas = 4 jam per minggu

Tutorial / responsi = 2 jam per minggu

Kerja Lab / praktek = - jam per minggu

.. = - jam per minggu

Semester / Tingkat : Genap / 4

Pre-requisite :

Co-requisite :

Bidang Kajian :

II. DESKRIPSI SINGKAT MATA KULIAH

Web mining merupakan proses automatic discovery dari pattern/pola data yang menarik dan

bermanfaat yang berhubungan dengan usage, content, dan linkage structure dari sumber Web.

Fokus dari mata kuliah Web mining adalah penerapan teknik dari machine learning, data mining,

text mining dan basis data yang berhubungan dengan usage, content, dan linkage structure dari web

resources.

Penerapan teknik-teknik tersebut digunakan untuk mengekstrak knowledge dari web yang dapat

digunakan untuk site menagement, automatic personalization, recommender system dan user

profilling.

III. KOMPETENSI LULUSAN YANG DIDUKUNG

CSG2D3 Basis Data Relasional Page 2

IV. TUJUAN PEMBELAJARAN

Pada akhir perkuliahan ini diharapkan mahasiswa memiliki pengetahuan tentang teknik-teknik web

mining meliputi web structure mining, web content mining dan web usage mining serta aplikasi-

aplikasi yang berkaitan dengan web mining.

Secara spesifik tujuan pembelajaran dari Mata Kuliah ini adalah :

a) Mahasiswa memahami konsep web mining

b) Mahasiswa memahami konsep dan implementasi web structure, content dan usage mining

c) Mahasiswa memahami teknik-teknik yang diterapkan di web mining

d) Mahasiswa mampu mengimplementasikan teknik-teknik web mining

e) Mahasiswa mampu mendesain prototype sistem di bidang web mining

f) Mahasiswa mengetahui aplikasi-aplikasi web mining

g) Mahasiswa mampu mengidentifikasi, memformulasikan dan menuliskan kembali

jurnal/paper web mining

V. ABET OUTCOMES

a An ability to apply knowledge of computing and mathematics appropriate to the discipline (*)

b An ability to analyze a problem, and identify and define the computing requirements

appropriate to its solution (*)

c An ability to design, implement, and evaluate a computer-based system, process, component, or

program to meet desired needs (*)

d An ability to function effectively on teams to accomplish a common goal

e An understanding of professional, ethical, legal, security and social issues and responsibilities

f An ability to communicate effectively with a range of audiences

g An ability to analyze the local and global impact of computing on individuals, organizations, and

society

h Recognition of the need for and an ability to engage in continuing professional development

i An ability to use current techniques, skills, and tools necessary for computing practice (*)

j An ability to apply mathematical foundation, algorithmic principles and computer science theory

in the modeling, and design of computer based system in a way that demonstrate

comprehension of the trade off involved in design choices (*)

k an ability to apply design and development principles in the constructions of software systems

of varying complexity (*)


VI. BAHAN KAJIAN, METODE PENYAMPAIAN & ASSESSMENT

Pertemuan

ke-

Kompetensi yang

diharapkan

Bahan Kajian Sub bahan kajian Metode

Pembelajaran

Indikator Pencapaian Cara

assessment

Bobot

Nilai

1 Mahasiswa memahami

konsep web mining

Web Mining

Introduction

- Syllaby

- Web Mining Definition

- Brief History of Web

Lecture

Discussion

Dapat memahami konsep

web mining

Project

10%


konsep web mining

Explanation Web Mining

Project

- Introduction of Web Mining

Application

Lecture

Discussion


konsep web mining

Review Web IR & Web

Search

- Natural Language Processing

methods used for web information

retrieval: lemmatization, part-of-

speech tagging, disambiguation,

shallow syntactic parsing etc.

- Project Presentation

Discussion

Presentation


konsep web mining

Review Web IR & Web

Search

- Natural Language Processing

methods used for web information

retrieval: lemmatization, part-of-

speech tagging, disambiguation,

shallow syntactic parsing etc.

- Project Presentation

- Project Progress Report

Lecture

Discussion

Presentation

5 - Mahasiswa mengetahui

aplikasi-aplikasi web

mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Social Network Analysis - Global analysis of the Web

Discussion

Presentation - Mengetahui minimal 2

aplikasi web mining

- Dapat mengidentifikasi,

memformulasikan dan

menuliskan kembali

jurnal/paper web

mining

Project

10%


Pertemuan

ke-

Kompetensi yang

diharapkan


Pembelajaran


assessment

Bobot

Nilai



mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Social Network Analysis - social networks analysis

Discussion

Presentation



mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Social Network Analysis - Project Progress Report Discussion

Presentation

- Mengetahui minimal 2

aplikasi web mining

- Dapat mengidentifikasi,

memformulasikan dan

menuliskan kembali

jurnal/paper web

mining

Project

8 - Mahasiswa memahami

teknik-teknik yang

diterapkan di web mining

- Mahasiswa mampu

mengimplementasikan

teknik

- -teknik web mining

Crawling the Web Review Crawling the web Lecture

Discussion

Presentation

10%


teknik-teknik yang

Crawling the Web Project Progress Report Lecture

Discussion

Dapat

mengimplementasikan

Project


Pertemuan

ke-

Kompetensi yang

diharapkan


Pembelajaran


assessment

Bobot

Nilai


- Mahasiswa mampu

mengimplementasikan

teknik-teknik web mining

Presentation teknik web mining

10

- Mahasiswa memahami

konsep dan implementasi

web structure, content

dan usage mining

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype

sistem di bidang web

mining

Web Structure Mining - primary web browsing (crawling,

spidering), link topology analysis,

PageRank, HITS methods

Lecture

Discussion

Presentation

- Dapat memahami

konsep dan

implementasi web

structure, content dan

usage mining

- Dapat

mengimplementasikan

teknik web mining

- Dapat mendesain

prototype sistem web

mining

Project

UAS

20%




dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

Web Structure Mining - primary web browsing (crawling,

spidering), link topology analysis,

PageRank, HITS methods


Lecture

Discussion

Presentation


Pertemuan

ke-

Kompetensi yang

diharapkan


Pembelajaran


assessment

Bobot

Nilai




dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

Web Structure Mining - Project Progress Report Discussion

Presentation




dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

Web Content Mining - document indexing and retrieval in

the web environment - Boolean

and vector retrieval models, latent

semantic indexing (LSI), results

ordering, meta-search.

Lecture

Discussion

Presentation

- Dapat memahami

konsep dan

implementasi web


usage mining

- Dapat

mengimplementasikan

teknik web mining

Dapat mendesain


Project 20%

14




dan usage minin

- Mahasiswa mampu

mengimplementasikan

Web Content Mining - web documents categorization and

clustering

Lecture

Discussion

Presentation

Project


Pertemuan

ke-

Kompetensi yang

diharapkan


Pembelajaran


assessment

Bobot

Nilai


- Mahasiswa mampu

mendesain prototype


mining

15




dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

Web Content Mining - web documents categorization and

clustering part 2

Lecture

Discussion

Presentation

- Dapat memahami

konsep dan

implementasi web


usage mining

- Dapat

mengimplementasikan

teknik web mining

- Dapat mendesain


16




dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

Web Content Mining - Project Progress Report Lecture

Discussion

Presentation

17 - Mahasiswa mengetahui Opinion Mining & - Opinion Mining and Sentiment Discussion - Dapat memahami 10%


Pertemuan

ke-

Kompetensi yang

diharapkan


Pembelajaran


assessment

Bobot

Nilai


mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Sentiment Analysis Analysis

-

Presentation konsep dan

implementasi web


usage mining

- Dapat

mengimplementasikan

teknik web mining

- Dapat mendesain

prototype sistem web 18

- Mahasiswa mengetahui


mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Opinion Mining &

Sentiment Analysis

- Lexical based opinion mining

Discussion

Presentation



mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Opinion Mining &

Sentiment Analysis

- Model based opinion mining

Discussion

Presentation

- Dapat memahami

konsep dan

implementasi web


usage mining

- Dapat

mengimplementasikan

teknik web mining

- Dapat mendesain


Project

UAS



mining

- Mahasiswa mampu

mengidentifikasi,

Opinion Mining &

Sentiment Analysis


Discussion

Presentation


Pertemuan

ke-

Kompetensi yang

diharapkan


Pembelajaran


assessment

Bobot

Nilai

memformulasikan dan

menuliskan kembali


21




dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

Web Usage Mining - mining for user behavior on the

web, internet marketing

Discussion

Presentation

- Dapat memahami

konsep dan

implementasi web


usage mining

- Dapat

mengimplementasikan

teknik web mining

- Dapat mendesain


Project

UAS

20%

22




dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

Web Usage Mining - Data collection and sources of data

- Data preparation for usage mining

- Mining navigational patterns

Discussion

Presentation

23




Web Usage Mining - Integrating e-commerce data

- Leveraging site content and

structure

Discussion

Presentation


Pertemuan

ke-

Kompetensi yang

diharapkan


Pembelajaran


assessment

Bobot

Nilai

dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

- User tracking and profiling

- E-Metrics: measuring success in e-

commerce

- Privacy issues

24




dan usage minin

- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

Web Usage Mining - Project Progress Report

Discussion

Presentation

- Dapat memahami

konsep dan

implementasi web


usage mining

- Dapat

mengimplementasikan

teknik web mining

- Dapat mendesain


Project



mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Web Mining Application - opinion mining vs. fact mining, web

spam analysis, comparative

shopping, etc.

- Web information integration,

mapping schemas usage

- Web personalization and recommender systems

- Web Mining and its relation to the

Semantic Web: automatic semantic

annotation, ontology learning,

- Mengetahui aplikasi

web mining

Project


Pertemuan

ke-

Kompetensi yang

diharapkan


Pembelajaran


assessment

Bobot

Nilai

Semantic Web search



mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Web Mining Application - opinion mining vs. fact mining, web

spam analysis, comparative

shopping, etc.

- Web information integration,

mapping schemas usage

- Web personalization and recommender systems

- Web Mining and its relation to the

Semantic Web: automatic semantic

annotation, ontology learning,

Semantic Web search

27-28 - Mahasiswa memahami

teknik-teknik yang


- Mahasiswa mampu

mengimplementasikan


- Mahasiswa mampu

mendesain prototype


mining

- Mahasiswa mampu

mengidentifikasi,

memformulasikan dan

menuliskan kembali


Final Project

Presentation

Discussion

Presentation

Dapat mempresentasikan

hasil karya yang

dihasilkan

Project


Topics & Reading

1. Overview Web Data Mining and E-Business Analytics

Reading:

a. Chapters 1 and 2 of Berry and Linoff

b. Data Mining on the Web - short article by Dan R. Greening, written for webtechniques.com.

c. (Online Paper # 1) Web Mining: Information and Pattern Discovery on the World Wide

Web, by Robert Cooley, Bamshad Mobasher, and Jaideep Srivastava, ICTAI 1997.

2. Knowledge Discovery Process; Data Preparation for Mining

Reading:


b. Data Mining Overview

c. (Online Paper # 9) Driving e-Commerce Profitability From Online and Offline Data, White

paper form Torrent Systems.

d. (Online Paper # 3) Web Usage Mining: Discovery and Applications of Usage Patterns from

Web Data, by Jaideep Srivastava, et. al., SIGKDD Explorations, January 2000.

3. Data Mining Techniques: Mining Association Rules and Sequential Patterns

Reading:

a. Chapter 2 of B. Liu's Book

b. Chapter 9 of Berry and Linoff

c. (Online Paper # 5) Web Usage Mining for Web Site Evaluation, by Myra Spiliopoulou,

Communications of ACM, August 2000.

d. (Online paper # 7) An Internet-enabled Knowledge Discovery Process, by Alex Buchner, et.

al., MINEit Software Ltd., 1999.

4. Data Mining Techniques: Classification & Prediction

Reading:


b. Chapter 6 of Berry and Linoff

c. (Online paper # 33) Modeling Web Robot Navigation Patterns, by Pang-Ning Tan and Vipin

Kumar, WebKDD Workshop at the ACM SIGKDD Conference, 2000.

Note: An additional description of the ID3 and C4.5 algorithms can be found in the

document "Building Classification Models: ID3 and C4.5" from the AI course at Temple

university.


5. Data Mining Techniques: Clustering; Memory-Based Reasoning

Reading:


b. Chapters 11 and 8 of Berry and Linoff

c. (Online Paper # 22) Text-Learning and Related Intelligent Agents: A Survey, by Dunja

Mladenic, IEEE Intelligent Systems, July/August 1999.

d. (Online Paper # 13) Clustering Users of Large Web Sites into Communities, by Georgios

Paliouras, et. al., ICML 2000.

6. Web Usage Mining: Data Preparation and Integration

Reading:


b. (Online Paper # 4) Data Preparation for Mining World Wide Web Browsing Patterns, by

Robert Cooley, Bamshad Mobasher, and Jaideep Srivastava, Knowledge and Information

Systems, Volume 1, No. 1, 1999.

c. (Online paper # 32) Lessons and Challenges from Mining Retail E-Commerce Data, by Ron

Kohavi, et al., Journal of Machine Learning, 2003.

7. Web Usage Mining: E-Metrics and E-Commerce Data Analysis, Predictive Web Analytics

Reading:


b. (Online paper #10) E-Commerce Intelligence: Measuring, Analyzing, and Reporting on

Merchandising Effectiveness of Online Stores, by Stephen Gomory, et. al., IBM T. J. Watson

Research Center.

c. (Online paper #11) E-Metrics Business Metrics For The New Economy, White Paper from

NetGenesis.

8. Web Personalization and Recommender Systems

Reading:

a. (Online paper # 14) Automatic Personalization Based on Web Usage Mining, by Bamshad

Mobasher, Robert Cooley, and Jaideep Srivastava, Communications of ACM, August 2000.

b. (Online paper # 28) Analysis of Recommendation Algorithms for E-Commerce, by Badrul

Sarwar, et. al., ACM Electronic Commerce Conference, November 2000.

c. (Online paper # 15) Integrating Web Usage and Content Mining for More Effective

Personalization, by Bamshad Mobasher et. al., EC-Web 2000.


9. Data Mining for the Social Web; Social Network Analysis

Reading:

a. (Online Paper # 20) Text Mining: Finding Nuggets in Mountains of Textual Data, by Jochen

Dorre, Peter Gerstl, and Roland Seiffert, KDD 1999.

b. (Online Paper # 19) Data mining for hypertext: A tutorial survey, by Soumen Chakrabarti,

SIGKDD Explorations, January 2000.

c. (Online Paper # 25) Extracting Patterns and Relations from the World Wide Web, by Sergey

Brin, Stanford University.

VII. REFERENSI / SUMBER BAHAN UTAMA

No Referensi / Sumber Bahan

1 Overview Web Data Mining and E-Business Analytics

Data Mining on the Web - short article by Dan R. Greening, written for webtechniques.com.

2 Knowledge Discovery Process; Data Preparation for Mining

3 Web Usage Mining: Data Preparation and Integration

4 Web Usage Mining: E-Metrics and E-Commerce Data Analysis, Predictive Web Analytics

5 Data Mining for the Social Web; Social Network Analysis

6 Mining the Social Web, Russell, Matthew A.

7 Social Network Data Analytics, Aggar wal, Charu C.

8 Social Network Mining, Analysis and Research Trends : Techniques and Applications, Ting, I-Hsien

9 Web Data Mining : Exploring Hyperlink, Contents and Usage Data, Bing Liu

VIII. SKEMA PENILAIAN

KOMPONEN PENILAIAN BOBOT/ PROSENTASE KETERANGAN

Project 100


TUGAS PROJECT WEB MINING :

Mahasiswa dapat memilih 1 dari 2 jenis tugas project :

1. Research paper (Individual)

2. Implementation project (Kelompok maksimal 2 orang)

Setiap mahasiswa/kelompok harus mengajukan proposal project pada minggu kedua perkuliahan

untuk disetujui.

Proposal berisi :

o Jenis project

o Deskripsi project

o Metodologi yang diajukan

o Teknik/metode dan pendekatannya

o Teknik implementasi

o Resource yang digunakan

o Jadwal

Untuk research paper, proposal harus ditambahkan abstrak dan referensi yang digunakan dalam

research paper.

Untuk implementation project, proposal harus ditambahkan deskripsi secara detail, sampel data

yang digunakan, permasalahan data mining yang akan diselesaikan, teknik/metode serta tools yang

akan digunakan.

Secara lebih detail penjelasan dari masing-masing jenis project adalah :

Research paper Project research paper merupakan studi mendalam yang berupa penelusuran, analisis, survei

ataupun evaluasi dari 1 atau lebih topik yang berhubungan dengan Web Mining. Research paper

dapat menganalisis dan mengevaluasi teknik/metode spesifik dalam web mining pada 1 atau lebih

area aplikasi yang diberikan pada deskripsi project.

Tujuan dari research paper adalah menganalisis dan mengevaluasi secara lebih detail dan mendalam

metode dalam lingkup web mining.

Research paper akan dinilai berdasarkan :

o thoroughness, mencakup issue/teknik yang relevan dengan related work/penelitian

yang pernah dilakukan sebelumnya. Point penilaian : 0 4

o soundness, mencakup justifikasi dari beberapa pernyataan yang disampaikan,

ilustrasi/gambaran sistem, analisis secara detail dari teknik/metode yang digunakan

serta keoriginalitasan analisis dan pemaparan yang dilakukan. Point penilaian : 0 4

Catatan : bahwa research paper tidak hanya sekedar menggabungkan analisis dari

beberapa paper melainkan terkandung analisis original yang dilakukan sendiri.

o Progress report/presentasi, Point penilaian : 0 4

o Dokumentasi , Point penilaian : 0 4

Disarankan panjang untuk research paper = 15 20 halaman (single-spaced)

Beberapa contoh topik untuk research paper :

Aplikasi web usage mining (Ex : e-commerce, user profiling, Web personalization).

Catatan : Paper harus mengandung konten dan sumber yang secara substansi berbeda

dengan materi/reference paper yang telah disampaikan di kelas.

Recommender Systems dan User Profiling


Studi perbandingan dari beberapa teknik/metode dalam data mining dan collaborative

filtering untuk mengetahui user profiles dan memprediksi user behavior ke depannya. Studi

yang dilakukan harus mencakup beberapa teknik dan pendekatan yang digunakan dalam

recommender systems (mencakup collaborative filtering, content-based filtering, model-

based approaches yang memanfaatkan data mining, dan hybrid systems).

Web content mining/Text mining

Studi dari beberapa teknik/metode untuk me-mining informasi dan pola seperti pada text

ataupun Web documents. Paper harus mencakup analisis beberapa topik, antara lain aplikasi

text mining pada Web, information extraction dan mining data records dari Web, concept

discovery dari document collections, document categorization dan classification, dll.

Web structure mining

Studi dari beberapa teknik/metode untuk me-mining knowledge dari linkage structure di

Web. Di antara beberapa topik, dapat pula dieksplorasi mengenai aplikasi structure mining

pada information retrieval (example Google's Pagerank algorithm), algoritma berdasarkan

pada Hubs and Authorities, serta automatic discovery dari Web communities.

Web Data Warehousing

Studi mendetail mengenai Web data warehouses dan datamarts, serta kegunaannya,

dengan menggunakan beberapa teknik/metode dalam data mining baik untuk kepentingan

SPPK maupun untuk membangun business intelligence dari Web data.

Catatan: Fokus utamanya bukan hanya pada Data warehousing, akan tetapi pada

kegunaannya dalam konteks Web dan data e-commerce, serta keterhubungannya dengan

data mining atau data analysis.

Struktur Research Papers secara keseluruhan diserahkan kepada mahasiswa, akan tetapi ada

beberapa bagian yang wajib dicantumkan, yaitu :

1. Abstraksi

Berisi sinopsis/deskripsi singkat mengenai isi dari paper. Terdiri dari 200-300 kata

2. Previous works

Hasil riset-riset yang pernah dilakukan sebelumnya dan dirujuk pada paper ini

3. Desain sistem

Berisi desain sistem secara detail dari input proses - output

4. Pengujian dan analisis

Skenario uji dan hasil pengujian serta analisis terhadap hasil pengujian

5. Kesimpulan

Berisi kesimpulan dari research paper. Harus berisi kesimpulan yang bersifat original dan

bukan mengutip dari reference paper.

6. Referensi

Berisi daftar referensi yang digunakan dalam reserach paper. Referensi diberi penomoran

sesuai dengan aturan penulisan pada format IEEE.

Disarankan untuk menyusun bagian/sub bagian sesuai dengan konten research paper dan

memudahkan pembaca untuk memahami isi dari paper yang disampaikan.


IMPLEMENTATION PROJECT

Implementation project mencakup implementasi dari teknik/metode data mining

(mengkombinasikan dari beberapa teknik data mining) untuk menyelesaikan permasalahan spesifik

dalam web mining, serta melakukan evaluasi terhadap pengujiannya .

beberapa contoh spesifik dari implementation project :

a. Mendesain, mengimplementasikan dan mengujikan teknik data mining untuk data set

seperti data web usage, e-commerce atau data yang ada di UCI KDD Archive.

b. Mendesain, mengimplementasikan dan mengujikan teknik data mining untuk preprocessing

data web usage, mencakup user/session identification, path completion, automatic

discovery and filtering of robot navigation, dan pageview identification.

c. Mendesain dan mengimplementasikan datawarehouse untuk integrasi dan manajemen web

usage, struktur, konten dan data e-commerce serta menganalisis data tersebut dengan

query OLAP di datawarehouse untuk kemudian diolah dengan teknik data mining.

d. Mengimplementasikan sistem untuk menganalisis keefektifan web site dengan

membandingkan struktur site dengan navigational behaviour of user, menganalisis site dan

user e-metric dan memprediksikan user behaviour untuk user individu atau segmen tertentu

e. Mendesain dan mengimplementasikan recommender system berdasarkan usage mining,

content filtering

f. Mendesain dan mengimplementasikan automated classification tool yang menggunakan

machine learning untuk mengidentifikasi dan mengklasifikasikan robot navigation sessions

dari Web usage log files.

g. Mendesain dan mengimplementasikan query language untuk meng-query rules/patterns

yang didapatkan dari Web usage atau Web content data.

h. Mendesain dan mengimplementasikan filtering agent untuk mail, news atau informasi web

(agent yang dapat mengekstrak informasi mengenai topik/produk dari site-site tertentu).

Desain dari filtering agent mencakup 1/lebih metode/teknik machinelearning dan data

mining.

Implementation project akan dievaluasi berdasarkan lingkup permasalahan yang dipilih, desain,

correctness, dokumentasi dan hasil evaluasi/pengujian.

Dokumentasi sistem minimal mencakup :

o Executive summary dari project (mencakup problems, goals, metode dan kesimpulan)

o Deskripsi/penjelasan detail sistem yang mencakup teknik/metode/algoritma yang digunakan

Blok diagram/flowchart sistem secara detail dan penjelasannya

Komponen-komponen yang diimplementasikan dalam sistem (code segment, modul,

method, function, procedure dll)

Interaksi antar komponen di atas

Dataset yang digunakan

o Pengujian sistem dengan sample data yang menjelaskan cara kerja sistem dari input, proses

dan output

o Complete source code (pastikan source code anda didokumentasikan dengan baik dan

mudah dipahami)

o Binary files (., executables, DLLs, Class files) atau komponen lain yang diperlukan untuk

mengeksekusi program anda

o Readme, yang berisi instruksi/panduan bagaimana compile, install atau menjalankan

program anda

o Project report/dokumentasi

o Data training/testing untuk evaluasi sistem

Implementation project akan dievaluasi berdasarkan :


o significance dari sebuah permasalahan/kasus, Point penilaian : 0 4

o desain dan implementasi sistem, Point penilaian : 0 4

o thoroughness (tingkat analisis terhadap data dan permalasahan yang diselesaikan),

Point penilaian : 0 4

o dokumentasi, Point penilaian : 0 4

LEVEL PENILAIAN

LEVEL/INDEKS INDIKATOR KOMPETENSI KETERANGAN *)

A Masing-masing point penilaian > 3 Lulus/Tidak Lulus

B 2 < point

silabus web mining

Documents