---

🟢 1. Pengantar Studi Kasus Data Mining

7

📌 Apa Itu Studi Kasus Data Mining?

Studi kasus Data Mining adalah penerapan teknik analisis data untuk menyelesaikan masalah nyata menggunakan data, algoritma, dan tools tertentu.

---

📌 Tujuan Studi Kasus

• Memahami implementasi nyata Data Mining
• Mengembangkan kemampuan analisis data
• Melatih problem solving
• Menghasilkan insight dan prediksi

---

📊 Alur Project Data Mining

Identifikasi Masalah
        ↓
Pengumpulan Data
        ↓
Preprocessing
        ↓
Modeling
        ↓
Evaluasi
        ↓
Implementasi

---

🟢 2. Tahapan Project Data Mining

7

📊 Tahapan Lengkap

Tahapan	Penjelasan
Business Understanding	Memahami masalah
Data Understanding	Memahami data
Data Preparation	Membersihkan data
Modeling	Membuat model
Evaluation	Mengukur hasil
Deployment	Implementasi sistem

---

🟢 Business Understanding

Tahap awal untuk:

• menentukan tujuan,
• target analisis,
• dan kebutuhan bisnis.

---

🟢 Contoh Kasus

Bidang	Permasalahan
E-Commerce	Prediksi pembelian
Pendidikan	Prediksi kelulusan
Perbankan	Deteksi fraud
Kesehatan	Prediksi penyakit

---

🟢 3. Studi Kasus 1 — Prediksi Kelulusan Mahasiswa

9

📌 Latar Belakang

Universitas ingin:

• memprediksi mahasiswa yang berpotensi tidak lulus tepat waktu.

---

📊 Dataset

Variabel	Keterangan
IPK	Nilai akademik
Kehadiran	Persentase hadir
Tugas	Nilai tugas
Aktivitas LMS	Aktivitas e-learning

---

📌 Tujuan

Membuat model:

• prediksi kelulusan,
• identifikasi mahasiswa berisiko.

---

🟢 Tahapan Implementasi

📥 Import Dataset

import pandas as pd

---

📂 Membaca Data

data = pd.read_csv('mahasiswa.csv')

---

📊 Melihat Dataset

print(data.head())

---

🟢 Modeling Classification

7

📥 Import Algoritma

from sklearn.tree import DecisionTreeClassifier

---

📊 Membuat Model

model = DecisionTreeClassifier()

---

▶️ Training Model

model.fit(X_train, y_train)

---

📈 Prediksi

prediksi = model.predict(X_test)

---

🟢 Hasil Analisis

Faktor	Pengaruh
Kehadiran	Sangat tinggi
IPK	Tinggi
Aktivitas LMS	Sedang

---

🟢 4. Studi Kasus 2 — Market Basket Analysis

8

📌 Pengertian

Analisis pola pembelian pelanggan berdasarkan transaksi.

---

📊 Contoh Transaksi

Transaksi	Produk
T1	Roti, Susu
T2	Roti, Kopi
T3	Susu, Kopi

---

📌 Tujuan

Menemukan:

• hubungan antar produk,
• rekomendasi produk.

---

🟢 Algoritma Apriori

IF membeli Roti
THEN membeli Susu

---

🟢 Implementasi Python

📥 Import Library

from mlxtend.frequent_patterns import apriori

---

📊 Menjalankan Apriori

apriori(data, min_support=0.5)

---

📈 Hasil Association Rule

Rule	Confidence
Roti → Susu	80%
Kopi → Gula	70%

---

🟢 5. Studi Kasus 3 — Clustering Pelanggan

8

📌 Tujuan

Mengelompokkan pelanggan berdasarkan:

• perilaku belanja,
• pengeluaran,
• frekuensi transaksi.

---

📊 Dataset

Variabel	Keterangan
Umur	Usia pelanggan
Pendapatan	Income
Belanja	Total transaksi

---

🟢 Algoritma K-Means

📥 Import Library

from sklearn.cluster import KMeans

---

📊 Membuat Cluster

model = KMeans(n_clusters=3)

---

▶️ Training

model.fit(data)

---

📈 Hasil Cluster

Cluster	Karakteristik
Cluster 1	High spender
Cluster 2	Medium
Cluster 3	Low spender

---

🟢 6. Studi Kasus 4 — Sentiment Analysis

8

📌 Pengertian

Analisis opini pengguna dari:

• Twitter,
• Instagram,
• review marketplace.

---

📊 Tujuan

Mengelompokkan opini:

• positif,
• negatif,
• netral.

---

🟢 Tahapan Text Mining

Text Collection
      ↓
Cleaning
      ↓
Tokenizing
      ↓
TF-IDF
      ↓
Classification

---

🟢 Implementasi Python

📥 Import Library

from sklearn.feature_extraction.text import TfidfVectorizer

---

📊 TF-IDF

vectorizer = TfidfVectorizer()

---

📈 Transformasi Data

X = vectorizer.fit_transform(text)

---

🟢 Hasil Sentiment

Sentimen	Persentase
Positif	70%
Negatif	20%
Netral	10%

---

🟢 7. Studi Kasus 5 — Prediksi Penjualan

7

📌 Tujuan

Memprediksi:

• penjualan bulan depan,
• kebutuhan stok.

---

📊 Dataset

Bulan	Penjualan
Januari	100
Februari	120
Maret	150

---

🟢 Teknik Forecasting

Teknik	Fungsi
Linear Regression	Prediksi sederhana
ARIMA	Time series
LSTM	Deep learning

---

🟢 Contoh Regresi Linear

$y = a + bx$y=a+bx

$a$a

$b$b

---

🟢 Implementasi Python

from sklearn.linear_model import LinearRegression

---

model = LinearRegression()

---

🟢 8. Tools untuk Project Data Mining

6

📊 Tools Populer

Tools	Fungsi
Python	Machine learning
WEKA	GUI Data Mining
RapidMiner	Workflow analytics
Orange	Visual mining
Tableau	Visualisasi

---

🟢 9. Struktur Laporan Project Data Mining

8

📊 Struktur Laporan

Bab	Isi
Pendahuluan	Latar belakang
Dataset	Deskripsi data
Metodologi	Algoritma
Hasil	Evaluasi
Kesimpulan	Insight

---

🟢 10. Evaluasi Model Project

6

📊 Metrik Evaluasi

Metrik	Fungsi
Accuracy	Ketepatan
Precision	Presisi
Recall	Sensitivitas
F1-Score	Kombinasi metrik

---

🟢 Rumus Accuracy

$Accuracy = \frac{TP + TN}{TP + TN + FP + FN}$Accuracy=TP+TN+FP+FNTP+TN​

---

🟢 11. Tantangan Project Data Mining

5

📊 Tantangan

Tantangan	Penjelasan
Data Kotor	Missing value
Overfitting	Model terlalu spesifik
Big Data	Volume besar
Resource	Hardware terbatas

---

🟢 Solusi

• preprocessing,
• feature selection,
• cloud computing,
• optimasi model.

---

🟢 12. Ide Project Data Mining Mahasiswa

8

📊 Ide Project

Project	Teknik
Prediksi Nilai Mahasiswa	Classification
Analisis Sentimen Twitter	Text Mining
Rekomendasi Produk	Association Rule
Prediksi Harga Rumah	Regression
Segmentasi Pelanggan	Clustering

---

🟢 13. Tips Sukses Project Data Mining

<div style=”background:#eff6ff;padding:20px;border-radius:12px;border-left:5px solid #2563eb;”>

📌 Tips Penting

• Gunakan dataset yang relevan
• Bersihkan data dengan baik
• Pilih algoritma sesuai kasus
• Visualisasikan hasil
• Dokumentasikan project secara lengkap

</div>

---

🟢 14. Implementasi Project di Dunia Nyata

6

📊 Implementasi Nyata

Perusahaan	Implementasi
Netflix	Rekomendasi film
Tokopedia	Rekomendasi produk
Gojek	Prediksi permintaan
Bank	Fraud detection

---

🟢 15. Masa Depan Project Data Mining

6

📊 Teknologi Masa Depan

Teknologi	Dampak
AI Generatif	Otomatisasi analitik
AutoML	Machine learning otomatis
IoT Analytics	Data sensor real-time
Explainable AI	AI transparan

---

🟢 16. Kesimpulan

6 <div style=”background:#111827;color:white;padding:25px;border-radius:14px;”>

✨ Ringkasan Materi

Studi kasus dan project Data Mining membantu mahasiswa memahami implementasi nyata teknik Data Mining.

Melalui project:

• mahasiswa belajar analisis data,
• machine learning,
• visualisasi,
• dan problem solving.

Project Data Mining digunakan luas pada:

• pendidikan,
• bisnis,
• kesehatan,
• e-commerce,
• dan Artificial Intelligence.