Sidia is a education Platform website.
Course Description
Mata kuliah Analisis Big Data membahas konsep, karakteristik (5V), arsitektur, dan teknologi pengolahan data berskala besar. Mahasiswa mempelajari pemrosesan data terdistribusi menggunakan framework seperti Hadoop dan Apache Spark, serta penerapannya dalam analitik data untuk mendukung pengambilan keputusan berbasis data pada sistem informasi. Pembelajaran dilakukan melalui teori dan praktik (hands-on) agar mahasiswa mampu memahami, mengelola, dan menganalisis data skala besar secara efektif.
Program Objectives (PO)
- Mampu menjelaskan konsep, karakteristik (5V), arsitektur, metode, dan tahapan pengolahan Big Data serta keterkaitannya dengan data mining dan visualisasi data dalam konteks sistem informasi.
- Mampu mengimplementasikan teknik pengelolaan dan analisis data skala besar menggunakan tools Big Data untuk menghasilkan informasi yang mendukung kebutuhan bisnis.
- Mampu menganalisis dan mengevaluasi hasil pengolahan Big Data guna memberikan rekomendasi pengambilan keputusan
Aktifitas Pembelajaran
-
Pertemuan 1 Konsep dasar Big Data dan perbedaannya dengan sistem pengolahan data tradisional. -
Pertemuan 2 Konsep arsitektur Big Data (batch processing dan stream processing). -
Pertemuan 3 Teori dan framework dari analisis big data -
Pertemuan 4 Pola data dan dapat mengambil pengetahuan dari data -
Pertemuan 5 Dan memahami konsep dasar Framework Hadoop -
Pertemuan 6 Dan menerapkan teknik pengumpulan data secara real-time -
Pertemuan 7 Memproses pengumpulan data menggunakan teknik scrapping dari berbagai sumber data -
Pertemuan 8 Ujian Tengah Semester -
Pertemuan 9 Dan menjelaskan kosep clustering dan teknik-teknik clustering seperto K-Means dan DBSCAN dalam analsiis big data -
Pertemuan 10 Big Data di Python: Text Analysis, Exploring Socmed Sentiment Analysis and the Weather -
Pertemuan 11 Dan menjelaskan konsep dasar text analytics dan berbagai tekniknya dalam analiis data teks -
Pertemuan 12 Dan menerapkan sentiment analysis pada data teks -
Pertemuan 13 Dan menjelaskan konsep dan algorotma supervised learning -
Pertemuan 14 Osep dan algoritma unsupervised learning -
Pertemuan 15 Dan menganalisisi dan memilih algoritma yang sesuai untuk jenis masalah dalam analisis big data -
Pertemuan 16 Mempresentasikan tugas akhir Big Data
References
- Buyya, R., Broberg, J., & Goscinski, A. (2013). Big Data: Principles and Paradigms. Wiley
- Smith, D. M. (2014). Data Processing and Analysis. Wiley.
- Provost, F., & Fawcett, T. (2013). Data Science for Business. O'Reilly Media.
- Witten, I. H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
- Berry, M. W., & Castellanos, M. (2009). Text Mining: Classification, Clustering, and Applications. Springer.
- Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool.
- Alpaydin, E. (2020). Introduction to Machine Learning. MIT Press.
- Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.
- Marz, N., & Warren, J. (2015). Big Data: Principles and Best Practices of Scalable Real-Time Data Systems. Manning Publications.
Lecturer
Difficult Things About Education.
$75$10
More Similar Courses
Related Courses
Mobile Computing
This course discusses the concept of wireless networks, technology in wireless networks, its development and implementation of wireless networks including: the basics of wireless transmission
Computational Science
In this course, students are trained to be able to write basic commands (functions), programs in Matlab, understand computing time and analyze errors in a
Software engineering
This Software Engineering course provides software engineering concepts, software project management, various software development methodologies, software requirements analysis, system principles and modeling with DFD, creating
Copyright © 2026 Sinau Digital UNESA All Rights Reserved