Skip to main content
Konsep Basis Data
Ringkasan slide (pertemuan 4–6)
Materi Kuliah
Beranda
Keamanan Data dan Informasi
Integritas Data
Kontrol Akses Sistem Operasi
Large Language Models
Pengantar LLM (istilah & konsep)
Dasar-dasar LLM
Retrieval-Augmented Generation (RAG)
Teknik Prompting untuk LLM
Tokenisasi, parameter API, dan evaluasi
Tokenisasi & halusinasi (narasi bacakan)
Agen, alat (tools), dan alur multi-langkah
Menjalankan LLM secara lokal
Konsep Basis Data
Ringkasan slide (pertemuan 4–6)
Dependensi fungsional
Normalisasi basis data
Studi kasus desain relasional (kesehatan)
Tugas kelompok (UTS): desain dari wawancara — PDF (KBD-07)
Data Science
00-Machine Learning — panduan StatQuest (materi mandiri)
05-Visualisasi data (teori)
05-Visualisasi data (tugas praktik)
06-Pemilihan data & pembersihan (teori)
06-Pemilihan data & pembersihan (tugas praktik)
07-Validasi, transformasi fitur, & rekayasa fitur (teori)
07-Validasi, transformasi fitur, & rekayasa fitur (tugas praktik)
09-Regresi: linear, polynomial, & regularisasi (teori)
09-Regresi: linear, polynomial, & regularisasi (tugas praktik)
10-Klasifikasi: split data, kNN, pohon/RF, SVM & Naive Bayes (teori)
11-Metrik evaluasi & cross-validation model (teori)
11-Metrik evaluasi & cross-validation (tugas praktik)
Regresi linear dengan Excel (MAE, RMSE, R²)
Penelitian Data Science
Checklist tahapan penelitian ML / Data Science
01 — Jenis penelitian DS / Machine Learning
02 — Hipotesis / kriteria keberhasilan model
03 — Cross-validation & partisi data
04 — Data leakage (anti-leakage pipeline)
05 — Baseline & perbandingan model yang adil
06 — Hyperparameter tuning (grid/random/Bayesian)
07 — Metrik evaluasi model
08 — Class imbalance & SMOTE
09 — Uji statistik perbandingan model
10 — Provenance data, label & etika
11 — Populasi, sampel & sampling / inklusi–eksklusi
12 — Data cleaning (duplikat, noise, format)
13 — Penanganan missing values
14 — Encoding kategorikal (one-hot/ordinal/target)
15 — Scaling & normalisasi (fit on train)
16 — Feature engineering berbasis domain
17 — Feature selection (filter/wrapper/embedded)
18 — Confusion matrix, residual & distribusi error
19 — Overfitting, learning curve & ancaman validitas
Pengolahan Citra Digital (PCD)
Ketetanggaan piksel & operasi lokal
09-Morfologi citra biner (slide)
09-Morfologi citra biner (modul teori lengkap)
10-Deteksi tepi: gradien (R/P/S) & LoG (slide)
10-Deteksi tepi: gradien & LoG (modul teori lengkap)
09–10-Praktikum: morfologi biner & deteksi tepi
11-Morfologi & fitur spasial; Canny & evaluasi tepi (slide)
11-Morfologi & fitur spasial; Canny & evaluasi (modul teori)
12-Segmentasi: global, Otsu, & threshold adaptif lokal (teori)
12-Segmentasi threshold & Otsu (tugas praktik)
13-Segmentasi warna & analisis tekstur GLCM (teori)
14-Ekstraksi ciri: bentuk, warna, & tekstur (teori)
15-Dasar pengenalan pola & deteksi objek / CV (teori)
16-Metrik evaluasi kualitas citra: PSNR & SSIM (teori)
Capstone praktik: pipeline OPG Streamlit (integrasi PPP)
SR & keandalan rekonstruksi
Checklist membaca naskah
01 — Peta naskah
02 — Citra, resolusi, OPG
03 — Super-resolution ringan
04 — Halusinasi vs fidelitas
05 — Fourier dan sFRC
06 — Ketidakpastian epistemik
07 — IQA tanpa referensi
08 — Anotasi ahli dan sampling
09 — Statistik validasi skor
10 — Ablasi, klaim, dan batasan
Statistika dan Probabilitas
00 — Deskripsi MK & silabus
01 — Pengantar statistika dan jenis data
01 — Introduction to statistics and data types (EN)
06 — Peubah acak kontinu
07 — Sampling dan distribusi sampling
09 — Estimasi parameter & interval kepercayaan
Kalkulus
00 — Deskripsi MK & silabus
01 — Pengantar kalkulus, aritmatika, dan aljabar
06 — Turunan fungsi parameter dan tingkat tinggi
07 — Aplikasi turunan: laju ubah dan optimasi
Komunikasi dan Presentasi
01 — Prinsip presentasi ala McKinsey
01 — Slide contoh (Typst)
Bimbingan Tugas Akhir
Aturan Bimbingan Tugas Akhir
Catatan
systemd: menjalankan Rails di VPS
PostgreSQL: error ekstensi UUID (Rails)
Konsep Basis Data
Ringkasan slide (pertemuan 4–6)
Ringkasan pertemuan 4–6 (Konsep Basis Data)