Modul 4 — Fundamental Generative AI

Membahas dasar Generative AI, termasuk model generatif, neural network, arsitektur GAN, VAE, dan Transformer, serta proses pelatihan model dan praktik terbaik implementasi AI.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Generative AI
• Kategori Masalah yang Ditangani Generative AI
• Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Training Model dan Training Loop
• Generative Adversarial Networks (GANs)
• Variational Autoencoders (VAE)
• Transformer
• Langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 5 — Advanced Generative AI

Membahas konsep lanjutan Generative AI, termasuk model generatif, optimasi model, evaluasi performa, transfer learning, serta berbagai arsitektur neural network untuk kebutuhan aplikasi AI modern.

Pokok Bahasan:

• Ethical Guardians dan Output Translators
• Pre-Trained Language Models (PLMs) dan Transfer Learning
• Noise Injection, Temperature Adjustment, dan Random Sparks
• Generative Adversarial Networks (GANs)
• Variational Autoencoders (VAE)
• Transformer
• Conditional GAN (cGAN)
• Recurrent Neural Networks (RNN) dan LSTM
• Large Language Models (LLM) dan NLP
• Evaluasi Model dan Evaluasi Training
• Baseline Modeling dan Optimasi Model
• Menghindari Overfitting

Modul 6 — Generative AI Lab

Berisi studi kasus dan latihan praktis untuk menerapkan konsep Generative AI dalam berbagai skenario bisnis, termasuk kualitas model, workflow, NLP, dan optimasi implementasi AI.

Pokok Bahasan:

• Studi Kasus ACG
• Kualitas Konten dan Kebingungan Model
• Brand Safety dan Workflow
• Penurunan Kualitas Output Konten
• Studi Kasus Wordy MAC Communications
• Distribusi Konten dan Kualitas Output
• Biaya Pelatihan dan Keterbatasan Konten
• Tantangan Natural Language Processing
• Studi Kasus Medi-Cycle Innovations
• Aplikasi Usang dan Perubahan Pasar
• Mode Collapse Kritis

Modul 1 — Fundamental Big Data Science & Analytics

Membahas konsep dasar Big Data dan Data Analytics dari perspektif bisnis maupun teknologi. Peserta akan mempelajari karakteristik dan jenis data, proses analisis data, konsep machine learning, berbagai pendekatan analytics, serta peran Business Intelligence dan visualisasi data dalam menghasilkan wawasan yang mendukung pengambilan keputusan. Modul ini juga mengulas manfaat, tantangan, dan pertimbangan penting dalam adopsi Big Data di organisasi.

Pokok Bahasan

• Memahami Big Data
• Terminologi dan Konsep Dasar Big Data
• Pendorong Bisnis Big Data dan Pendorong Teknologi
• Teknologi Enterprise Tradisional yang Berkaitan dengan Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Konteks Big Data
• Karakteristik Data dalam Lingkungan Big Data
• Jenis Dataset dalam Lingkungan Big Data
• Data Terstruktur, Tidak Terstruktur, dan Semi-Terstruktur
• Metadata dan Keakuratan Data (Data Veracity)
• Analisis Dasar dan Analitik
• Analisis Kuantitatif dan Kualitatif
• Jenis-jenis Machine Learning
• Analitik Deskriptif dan Diagnostik
• Analitik Prediktif dan Preskriptif
• Business Intelligence dan Big Data
• Visualisasi Data dan Big Data
• Adopsi Big Data dan Pertimbangan Perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas konsep dan teknik analisis data modern dalam lingkungan Big Data, termasuk metode statistik, machine learning dasar, serta pendekatan analitik seperti A/B testing, regresi, clustering, dan time series analysis. Peserta juga akan mempelajari analisis data lanjutan seperti sentiment analysis, network analysis, serta filtering techniques, disertai pemahaman konsep teknologi backend yang mendukung ekosistem Big Data seperti storage, processing engine, dan cloud computing.

Pokok Bahasan

• Siklus Hidup Analisis Big Data (dari evaluasi kasus bisnis hingga analisis dan visualisasi data)
• A/B Testing dan Korelasi
• Regresi dan Heat Map (Peta Panas)
• Analisis Deret Waktu (Time Series Analysis)
• Analisis Jaringan dan Analisis Data Spasial
• Klasifikasi dan Clustering
• Filtering, termasuk Collaborative Filtering dan Content-Based Filtering
• Analisis Sentimen dan Text Analytics
• Cluster serta Pemrosesan Beban Kerja Batch dan Transaksional
• Hubungan Cloud Computing dengan Big Data
• Mekanisme Teknologi Dasar Big Data
• Penyimpanan Data Big Data dan Mesin Pemrosesan (Processing Engines)
• Resource Manager, Data Transfer Engine, dan Query Engine
• Analytics Engine, Workflow Engine, dan Coordination Engine

Modul 3 — Big Data Analysis & Technology Lab

Membahas penerapan praktis konsep Big Data melalui serangkaian studi kasus dan latihan berbasis skenario nyata. Peserta akan mengasah kemampuan dalam merancang lingkungan analitik, melakukan analisis data pelanggan, meningkatkan performa bisnis, serta membangun solusi berbasis data untuk berbagai kebutuhan seperti integrasi data, prediksi, dan pengelolaan risiko. Modul ini berfokus pada penggabungan teknik analisis dan teknologi Big Data untuk menyelesaikan permasalahan bisnis secara end-to-end.

Pokok Bahasan

• Latihan Membaca 3.1: Studi Kasus Latar Belakang PLGM
• Latihan Lab 3.2: Merencanakan Lingkungan Big Data BI
• Latihan Lab 3.3: Menganalisis Data Loyalitas Pelanggan
• Latihan Lab 3.4: Mengurangi Ketidakpuasan Pelanggan
• Latihan Lab 3.5: Meningkatkan Penjualan Online PLGM
• Latihan Membaca 3.6: Studi Kasus Latar Belakang LHL
• Latihan Lab 3.7: Merancang Lingkungan Integrasi Data dan Pelaporan
• Latihan Lab 3.8: Mengembangkan Kemampuan Personalisasi Perawatan
• Latihan Lab 3.9: Meningkatkan Kemampuan Riset LHL
• Latihan Membaca 3.10: Studi Kasus Latar Belakang SWP
• Latihan Lab 3.11: Analisis Data Smart Meter
• Latihan Lab 3.12: Meningkatkan Kemampuan Prediksi Permintaan Listrik
• Latihan Lab 3.13: Manajemen Aset dan Identifikasi Risiko

Modul 1 — Fundamental Big Data Science & Analytics

Membahas konsep dasar Big Data dan Data Analytics dari perspektif bisnis maupun teknologi. Peserta akan mempelajari karakteristik dan jenis data, proses analisis data, konsep machine learning, berbagai pendekatan analytics, serta peran Business Intelligence dan visualisasi data dalam menghasilkan wawasan yang mendukung pengambilan keputusan. Modul ini juga mengulas manfaat, tantangan, dan pertimbangan penting dalam adopsi Big Data di organisasi.

Pokok Bahasan

• Memahami Big Data
• Terminologi dan Konsep Dasar Big Data
• Pendorong Bisnis Big Data dan Pendorong Teknologi
• Teknologi Enterprise Tradisional yang Berkaitan dengan Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Konteks Big Data
• Karakteristik Data dalam Lingkungan Big Data
• Jenis Dataset dalam Lingkungan Big Data
• Data Terstruktur, Tidak Terstruktur, dan Semi-Terstruktur
• Metadata dan Keakuratan Data (Data Veracity)
• Analisis Dasar dan Analitik
• Analisis Kuantitatif dan Kualitatif
• Jenis-jenis Machine Learning
• Analitik Deskriptif dan Diagnostik
• Analitik Prediktif dan Preskriptif
• Business Intelligence dan Big Data
• Visualisasi Data dan Big Data
• Adopsi Big Data dan Pertimbangan Perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas konsep dan teknik analisis data modern dalam lingkungan Big Data, termasuk metode statistik, machine learning dasar, serta pendekatan analitik seperti A/B testing, regresi, clustering, dan time series analysis. Peserta juga akan mempelajari analisis data lanjutan seperti sentiment analysis, network analysis, serta filtering techniques, disertai pemahaman konsep teknologi backend yang mendukung ekosistem Big Data seperti storage, processing engine, dan cloud computing.

Pokok Bahasan

• Siklus Hidup Analisis Big Data (dari evaluasi kasus bisnis hingga analisis dan visualisasi data)
• A/B Testing dan Korelasi
• Regresi dan Heat Map (Peta Panas)
• Analisis Deret Waktu (Time Series Analysis)
• Analisis Jaringan dan Analisis Data Spasial
• Klasifikasi dan Clustering
• Filtering, termasuk Collaborative Filtering dan Content-Based Filtering
• Analisis Sentimen dan Text Analytics
• Cluster serta Pemrosesan Beban Kerja Batch dan Transaksional
• Hubungan Cloud Computing dengan Big Data
• Mekanisme Teknologi Dasar Big Data
• Penyimpanan Data Big Data dan Mesin Pemrosesan (Processing Engines)
• Resource Manager, Data Transfer Engine, dan Query Engine
• Analytics Engine, Workflow Engine, dan Coordination Engine

Modul 4 — Big Data Analysis & Science

Modul ini membahas konsep analitik dan data science dalam konteks Big Data, dengan fokus pada teknik eksplorasi, statistik, dan pemodelan data untuk dataset berukuran besar, beragam, dan dinamis.

Pokok Bahasan

• Ilmu Data, Data Mining, dan Pemodelan Data
• Kategori Dataset Big Data
• Dataset dengan Volume Tinggi, Kecepatan Tinggi, Variasi Tinggi, Verifikasi Tinggi, dan Nilai Tinggi
• Analisis Data Eksploratif (EDA)
• Ringkasan Numerik EDA, Aturan, dan Reduksi Data
• Jenis Analisis EDA, termasuk Univariate, Bivariate, dan Multivariate
• Statistik Dasar, termasuk Kategori Variabel dan Matematika Terkait
• Analisis Statistik, termasuk Deskriptif, Inferensial, Kovarians, Uji Hipotesis, dll.
• Ukuran Variasi atau Dispersi, Rentang Interkuartil & Outlier, Z-Score, dll.
• Probabilitas, Frekuensi, Estimator Statistik, Interval Kepercayaan, dll.
• Data Munging dan Machine Learning
• Variabel dan Notasi Matematika Dasar
• Ukuran Statistik dan Inferensi Statistik
• Analisis Data Konfirmatori (CDA)
• Uji Hipotesis CDA, Hipotesis Nol, Hipotesis Alternatif, Signifikansi Statistik, dll.
• Distribusi dan Teknik Pemrosesan Data
• Discretization Data, Binning, dan Clustering
• Teknik Visualisasi, termasuk Diagram Batang, Diagram Garis, Histogram, Poligon Frekuensi, dll.
• Prediksi Regresi Linear, Mean Squared Error, dan Koefisien Determinasi R², dll.
• Clustering k-means, Distorsi Cluster, Nilai Fitur yang Hilang, dll.
• Ringkasan Numerik

Modul 5 — Advanced Big Data Analysis & Science

Modul ini membahas teknik analisis data lanjutan dalam konteks Big Data, mencakup pemodelan statistik, machine learning, pattern mining, serta evaluasi model untuk meningkatkan akurasi analisis dan prediksi pada dataset besar.

Pokok Bahasan

• Pemodelan, Evaluasi Model, Fitting Model, dan Overfitting Model
• Model statistik dan ukuran evaluasi model
• Cross-validation, bias-variance, confusion matrix, dan F-score
• Algoritma machine learning dan identifikasi pola
• Aturan asosiasi (association rules) dan algoritma Apriori
• Reduksi data, seleksi fitur (feature selection), dan pengurangan dimensi
• Ekstraksi fitur, diskretisasi data (binning dan clustering)
• Teknik statistik lanjutan
• Model parametrik vs non-parametrik, clustering vs non-clustering
• Metode berbasis jarak, supervised vs semi-supervised learning
• Regresi linear dan regresi logistik untuk Big Data
• Aturan klasifikasi untuk Big Data
• Regresi logistik, Naïve Bayes, smoothing Laplace, dll.
• Decision Tree untuk Big Data
• Pruning pohon, pemilihan fitur (feature splitting), algoritma One Rule (1R)
• Identifikasi pola dan aturan asosiasi (Association Rules), algoritma Apriori
• Analisis deret waktu (time series), tren, dan musiman (seasonality)
• K-Nearest Neighbor (kNN) dan K-means
• Analitik teks untuk Big Data
• Bag of Words, Term Frequency, Inverse Document Frequency (TF-IDF), Cosine Distance, dll.
• Deteksi outlier untuk Big Data
• Teknik statistik, berbasis jarak, supervised, dan semi-supervised learning

Modul 6 — Big Data Analysis & Science Lab

Modul ini berupa latihan berbasis studi kasus untuk menguji penerapan konsep Big Data Analysis & Science dalam konteks permasalahan nyata. Peserta diminta mengintegrasikan teknik statistik, analitik, dan machine learning untuk menghasilkan solusi berbasis data.

Pokok Bahasan

• Latihan Membaca 6.1: Studi Kasus TMC – Latar Belakang
• Latihan Praktikum 6.2: Analisis untuk Meningkatkan Kualitas Produk
• Latihan Praktikum 6.3: Analisis untuk Menurunkan Total Biaya Kepemilikan (Total Cost of Ownership)
• Latihan Membaca 6.4: Studi Kasus PLGM – Latar Belakang
• Latihan Praktikum 6.5: Analisis untuk Rencana Pemasaran dengan Hasil Tinggi (High-Yield Marketing Plan)
• Latihan Praktikum 6.6: Analisis Tata Letak Barang dan Data Kartu Kredit
• Latihan Membaca 6.7: Studi Kasus LHL – Latar Belakang
• Latihan Praktikum 6.8: Meningkatkan Kemampuan Diagnosis Pasien
• Latihan Membaca 6.9: Studi Kasus SWP – Latar Belakang
• Latihan Praktikum 6.10: Meningkatkan Manajemen Risiko dan Memahami Pola Permintaan

Modul 1 — Fundamental Big Data Science & Analytics

Membahas dasar Big Data dan Data Analytics, termasuk karakteristik data, machine learning, analytics, Business Intelligence, visualisasi data, serta adopsi Big Data di organisasi.

Pokok Bahasan

• Memahami Big Data
• Terminologi dan Konsep Dasar Big Data
• Pendorong Bisnis Big Data dan Pendorong Teknologi
• Teknologi Enterprise Tradisional yang Berkaitan dengan Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Konteks Big Data
• Karakteristik dan Jenis Dataset Big Data
• Data Terstruktur, Tidak Terstruktur, dan Semi-Terstruktur
• Metadata dan Data Veracity
• Analisis Dasar dan Analitik
• Analisis Kuantitatif dan Kualitatif
• Jenis-jenis Machine Learning
• Analitik Deskriptif, Diagnostik, Prediktif, dan Preskriptif
• Business Intelligence dan Visualisasi Data
• Adopsi Big Data dan Pertimbangan Perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas teknik analisis data modern dalam Big Data, termasuk statistik, machine learning, pendekatan analitik, serta teknologi backend dan cloud computing.

Pokok Bahasan:

• Siklus Hidup Analisis Big Data
• A/B Testing dan Korelasi
• Regresi dan Heat Map
• Time Series Analysis
• Analisis Jaringan dan Analisis Data Spasial
• Klasifikasi dan Clustering
• Collaborative Filtering dan Content-Based Filtering
• Analisis Sentimen dan Text Analytics
• Pemrosesan Beban Kerja Batch dan Transaksional
• Hubungan Cloud Computing dengan Big Data
• Mekanisme Teknologi Dasar Big Data
• Penyimpanan Data dan Processing Engines
• Resource Manager, Data Transfer Engine, dan Query Engine
• Analytics Engine, Workflow Engine, dan Coordination Engine

Modul 11 — Fundamental Big Data Engineering

Membahas dasar pengolahan dan penyimpanan Big Data, termasuk NoSQL, arsitektur penyimpanan data, dan pemrosesan terdistribusi menggunakan MapReduce.

Pokok Bahasan

• Teknik dan Tantangan Rekayasa Big Data
• Penyimpanan Big Data: Sharding, Replikasi, CAP Theorem, ACID, dan BASE
• Master-Slave dan Replikasi Peer-to-Peer
• Skalabilitas, Redundansi, dan Ketersediaan Data
• Penyimpanan Schema-less dan Penyimpanan Murah
• On-Disk Storage dan Sistem File Terdistribusi
• Pengantar NoSQL dan NewSQL
• Karakteristik dan Jenis Database NoSQL
• Mesin Pemrosesan Big Data
• Pemrosesan Data Terdistribusi dan Paralel
• Dukungan Multi-Beban Kerja dan Toleransi Kesalahan
• Pemrosesan Batch, Cluster, dan Real-Time
• MapReduce dan Komponennya
• Perancangan Algoritma MapReduce
• Paralelisme Tugas dan Paralelisme Data

Modul 12 — Advanced Big Data Engineering

Membahas teknik lanjutan Big Data seperti realtime processing, in-memory storage, Big Data pipeline, serta optimasi pemrosesan data menggunakan MapReduce dan BSP.

Pokok Bahasan:

• Mekanisme Rekayasa Big Data Lanjutan
• Mesin Serialisasi dan Kompresi
• Penyimpanan dan Database In-Memory
• Integrasi Read-Through, Read-Ahead, Write-Through, dan Write-Behind
• Polyglot Persistence
• Pemrosesan Big Data Real-Time
• Speed Consistency Volume (SCV)
• Event Stream Processing (ESP)
• Complex Event Processing (CEP)
• Prinsip SCV
• Pemrosesan Real-Time dan MapReduce
• Desain Algoritma MapReduce Lanjutan
• Bulk Synchronous Parallel (BSP)
• BSP vs. MapReduce
• Pemrosesan Data Graf menggunakan BSP
• Big Data Pipeline dan Tahapannya
• Extract-Load-Transform (ELT)
• Karakteristik dan Pertimbangan Desain Solusi Big Data

Modul 13 — Big Data Engineering Lab

Berisi studi kasus dan latihan praktis untuk menerapkan konsep Big Data Engineering dalam skenario bisnis dan teknis nyata.

Pokok Bahasan:

• Studi Kasus CFU
• Solusi Big Data untuk Kepatuhan Regulasi
• Peningkatan Kapabilitas Analisis Risiko
• Pengembangan Layanan Analitik Data
• Studi Kasus TCT
• Solusi Pengurangan Keterlambatan Layanan
• Solusi Pengurangan Biaya Operasional
• Studi Kasus TOB
• Penanganan Peningkatan Traffic Website
• Analisis Data Kampanye Iklan Pemasaran

Modul 1 — Fundamental Predictive AI

Membahas konsep dasar dan penerapan Predictive AI dalam konteks bisnis dan teknologi, termasuk manfaat, risiko, kategori masalah, pendekatan pembelajaran (supervised, unsupervised, reinforcement learning), proses training model, serta fungsi utama AI seperti computer vision, NLP, speech recognition, dan pattern recognition.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan Tantangan Penggunaan AI Prediktif
• Kategori Masalah Bisnis yang Ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan Pembelajaran AI Prediktif
• Proses Training Model dan Training Loop
• Supervised, Unsupervised, dan Continuous Learning
• Semi-Supervised, Heuristic Learning, dan Reinforcement Learning
• Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Neural Network dan Model AI

Modul 4 — Fundamental Generative AI

Membahas konsep dasar Generative AI serta penerapannya dalam bisnis dan teknologi, termasuk manfaat, risiko, kategori masalah, arsitektur model (GAN, VAE, Transformer), proses pelatihan model, serta praktik membangun sistem Generative AI yang efektif dan aman.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Generative AI
• Kategori Masalah yang Ditangani Generative AI
• Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Training Model dan Training Loop
• Generative Adversarial Networks (GANs)
• Variational Autoencoders (VAE)
• Transformer
• Langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 7 — Fundamental Machine Learning

Membahas konsep dasar Machine Learning secara mudah dipahami, termasuk cara kerja, manfaat, keterbatasan, serta penerapannya dalam mendukung tujuan bisnis. Modul ini memberikan pemahaman tentang data, model, algoritma, serta proses pelatihan dan deployment model machine learning dalam berbagai skenario penggunaan.

Pokok Bahasan

• Pendorong bisnis dan teknologi Machine Learning
• Manfaat dan tantangan Machine Learning
• Skenario penggunaan Machine Learning
• Dataset: data terstruktur, tidak terstruktur, dan semi-terstruktur
• Model, algoritma, pelatihan model, dan proses learning
• Cara kerja Machine Learning
• Pengumpulan dan pra-pemrosesan data training
• Pemilihan algoritma dan model
• Pelatihan model dan deployment model terlatih
• Algoritma dan praktik Machine Learning
• Supervised learning, classification, dan decision tree
• Regression, ensemble methods, dan dimensionality reduction
• Unsupervised learning dan clustering
• Semi-supervised learning dan reinforcement learning
• Best practice Machine Learning
• Cara kerja sistem Machine Learning
• Mekanisme umum Machine Learning
• Cara mekanisme digunakan dalam pelatihan model
• Machine Learning, Deep Learning, dan Artificial Intelligence (AI)

Modul 8 — Advanced Machine Learning

Membahas teknik dan pendekatan lanjutan dalam Machine Learning untuk menyelesaikan berbagai permasalahan bisnis yang kompleks melalui kombinasi algoritma dan model yang telah terbukti. Modul ini berfokus pada eksplorasi data, rekayasa fitur, pola pembelajaran, evaluasi model, serta optimasi untuk meningkatkan performa sistem Machine Learning secara menyeluruh.

Pokok Bahasan

• Pola eksplorasi data
• Perhitungan tendensi sentral dan variabilitas
• Perhitungan asosiasi dan ringkasan grafis
• Pola reduksi data
• Seleksi fitur dan ekstraksi fitur
• Pola data wrangling
• Imputasi fitur dan encoding fitur
• Diskretisasi fitur dan standardisasi fitur
• Pola supervised learning
• Prediksi numerik dan prediksi kategori
• Pola unsupervised learning
• Penemuan kategori dan penemuan pola
• Pola evaluasi model dan baseline modeling
• Evaluasi performa training dan evaluasi performa prediksi
• Pola optimasi model
• Ensemble learning dan retraining model berkala
• Implementasi lightweight model dan incremental learning

Modul 9 — Machine Learning Lab

Membahas penerapan praktis Machine Learning melalui serangkaian studi kasus dan latihan berbasis skenario nyata. Modul ini berfokus pada kemampuan peserta dalam membangun alur kerja machine learning end-to-end, mulai dari pengambilan data, pemilihan algoritma, pemodelan fitur, hingga evaluasi dan optimasi model untuk menyelesaikan permasalahan bisnis.

Pokok Bahasan

• Latihan membaca 9.1: Studi kasus RHE R&D Company
• Latihan lab 9.2: Pengambilan data training
• Latihan lab 9.3: Pemilihan algoritma yang tepat
• Latihan lab 9.4: Pemodelan fitur dan representasi data
• Latihan lab 9.5: Pengukuran dan optimasi model terlatih
• Latihan lab 9.6: Koreksi fitur yang tidak konsisten
• Latihan membaca 9.7: Studi kasus GTO Financial Institution
• Latihan lab 9.8: Identifikasi data transaksi pelanggan
• Latihan lab 9.9: Analisis risiko pelanggan
• Latihan lab 9.10: Identifikasi pola pengeluaran yang mencurigakan

Modul 1 — Fundamental Big Data Science & Analytics

Membahas konsep dasar Big Data dan Data Analytics dari perspektif bisnis maupun teknologi, termasuk karakteristik data, proses analisis data, machine learning, berbagai pendekatan analytics, Business Intelligence, visualisasi data, serta pertimbangan adopsi Big Data di organisasi.

Pokok Bahasan:

• Memahami Big Data
• Terminologi dan Konsep Dasar Big Data
• Pendorong Bisnis Big Data dan Pendorong Teknologi
• Teknologi Enterprise Tradisional yang Berkaitan dengan Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Konteks Big Data
• Karakteristik dan Jenis Dataset Big Data
• Data Terstruktur, Tidak Terstruktur, dan Semi-Terstruktur
• Metadata dan Data Veracity
• Analisis Dasar dan Analitik
• Analisis Kuantitatif dan Kualitatif
• Jenis-jenis Machine Learning
• Analitik Deskriptif, Diagnostik, Prediktif, dan Preskriptif
• Business Intelligence dan Visualisasi Data
• Adopsi Big Data dan Pertimbangan Perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas konsep dan teknik analisis data modern dalam lingkungan Big Data, termasuk metode statistik, machine learning dasar, berbagai pendekatan analitik, serta konsep teknologi backend yang mendukung ekosistem Big Data seperti storage, processing engine, dan cloud computing.

Pokok Bahasan:

• Siklus Hidup Analisis Big Data
• A/B Testing dan Korelasi
• Regresi dan Heat Map
• Time Series Analysis
• Analisis Jaringan dan Analisis Data Spasial
• Klasifikasi dan Clustering
• Collaborative Filtering dan Content-Based Filtering
• Analisis Sentimen dan Text Analytics
• Pemrosesan Beban Kerja Batch dan Transaksional
• Hubungan Cloud Computing dengan Big Data
• Mekanisme Teknologi Dasar Big Data
• Penyimpanan Data dan Processing Engines
• Resource Manager, Data Transfer Engine, dan Query Engine
• Analytics Engine, Workflow Engine, dan Coordination Engine

Modul 14 — Fundamental Big Data Architecture

Membahas arsitektur solusi Big Data secara menyeluruh, termasuk model, pendekatan, komponen utama, mekanisme pemrosesan data, serta integrasi dengan data warehouse dan cloud untuk mendukung analitik dan pengambilan keputusan berbasis data.

Pokok Bahasan:

• Enterprise Data Warehouse dan Big Data
• Operational Data Store, Data Mart, dan Basis Data Analitik
• Lapisan Arsitektur Solusi Big Data
• Arsitektur, Pemeliharaan, dan Tata Kelola Big Data
• Arsitektur Keamanan Big Data
• Pendekatan Series, Parallel, Appliance, dan Virtualization
• Penyimpanan dan Pemrosesan Data Berbasis Cloud
• Data Kanonik dan Pemrosesan Grafik Skala Besar
• Penyimpanan Real-Time dan Akses Data Langsung
• Analytical Sandbox dan Penyimpanan Data Rahasia
• Pemrosesan Batch dan Denormalisasi Dataset
• Repositori Data Online dan Big Data Warehouse
• Tata Kelola Dataset Terpusat
• Event Stream dan Complex Event Processing
• Fan-in, Fan-out, dan Pemrosesan Real-Time
• Egress Data dan Visualisasi Data
• Data Wrangling dan Analitik Data
• Pola Desain Solusi Big Data
• Lambda Architecture dan Manfaatnya

Modul 15 — Advanced Big Data Architecture

Membahas pengembangan arsitektur solusi Big Data dengan fokus pada penyimpanan, pemrosesan, keamanan, pendekatan desain, pola komposit, integrasi cloud computing, serta pengelolaan data dalam berbagai model arsitektur enterprise.

Pokok Bahasan:

• Enterprise Data Warehouse dan Big Data
• Operational Data Store, Data Mart, dan Database Analitik
• Lapisan Arsitektur Solusi Big Data
• Tata Kelola dan Keamanan Big Data
• Pendekatan Seri, Paralel, Appliance, dan Virtualisasi
• Penyimpanan dan Pemrosesan Berbasis Cloud
• Data Kanonik dan Pemrosesan Graf Skala Besar
• Penyimpanan Real-Time dan Akses Data Langsung
• Analytical Sandbox dan Penyimpanan Data Rahasia
• Pemrosesan Batch dan Denormalisasi Dataset
• Repositori Data dan Big Data Warehouse
• Tata Kelola Dataset Terpusat
• Event Stream dan Complex Event Processing
• Fan-in, Fan-out, dan Pemrosesan Real-Time
• Data Egress dan Visualisasi Data
• Data Wrangling dan Analisis Data
• Pola Desain Solusi Big Data
• Arsitektur Lambda dan Manfaatnya

Modul 16 — Big Data Architecture Lab

Modul ini berisi studi kasus dan latihan praktis untuk menerapkan konsep arsitektur Big Data pada berbagai skenario dunia nyata, dengan fokus pada perancangan, evaluasi, dan optimasi solusi Big Data.

Pokok Bahasan:

• Studi Kasus SFI
• Merancang Pipeline Big Data untuk Kepatuhan SLA
• Mengurangi Ketidakpuasan Pelanggan
• Mengurangi Biaya Penyimpanan Data
• Studi Kasus LOC
• Solusi untuk Eksplorasi Minyak Cerdas
• Meningkatkan Produksi Sumur Minyak
• Mengurangi Biaya Pemeliharaan dan Kepatuhan Regulasi
• Studi Kasus TXC
• Identifikasi Penipuan dan Menghilangkan Pemborosan
• Prioritas Alokasi Sumber Daya dan Akses Data Terbuka

• Manage Worksheets and Workbooks
 1. Import data into workbooks
 2. Navigate within workbooks
 3. Format worksheets and workbooks
 4. Customize options and views
 5. Configure content for collaboration

• Manage Data Cells and Ranges
 1. Manipulate data in worksheets
 2. Format cells and ranges
 3. Define and reference named ranges
 4. Summarize data visually

• Manage Tables and Table Data
 1. Create and format tables
 2. Modify tables
 3. Filter and sort table data

• Perform Operations by Using Formulas and Functions
 1. Insert references
 2. Calculate and transform data
 3. Format and modify text

• Manage Charts
 1. Create charts
 2. Modify charts
 3. Format charts

• Manage Presentations
 1. Modify slide masters, handout masters, and note masters
 2. Change presentation options and views
 3. Configure print settings for presentations
 4. Configure and present slide shows
 5. Prepare presentations for collaboration

• Manage Slides
 1. Insert slides
 2. Modify slides
 3. Order and group slides

• Insert and Format Text, Shapes, and Images
 1. Format text
 2. Insert links
 3. Insert and format images
 4. Insert and format graphic elements
 5. Order and group objects on slides

• Manage Outlook Settings and Processes

1. Customize Outlook settings
2. Configure mail settings
3. Perform search operations
4. Print and save information

• Manage Messages

1. Create messages
2. Insert message content
3. Organize and manage messages

• Manage Schedules

1. Create and manage calendars
2. Create appointments, meetings, and events
3. Organize and manage appointments, meetings, and events

• Manage Contacts and Tasks

1. Create and manage contact records
2. Create and manage contact groups
3. Create and manage tasks