Sidia is a education Platform website.
Course Description
Mata kuliah Teknik Optimasi memperkenalkan konsep dasar dan metode optimasi untuk menyelesaikan masalah dalam sains data. Isi mencakup formulasi masalah optimasi, teknik optimasi linier dan non-linier, serta algoritma seperti gradient descent dan simplex. Tujuannya adalah membekali mahasiswa dengan kemampuan untuk mengidentifikasi, memodelkan, dan menyelesaikan masalah optimasi dalam konteks analisis data. Ruang lingkup meliputi aplikasi dalam machine learning, pemrosesan data besar, dan pengambilan keputusan berbasis data.
Program Objectives (PO)
- Menerapkan konsep dasar optimasi dalam menyelesaikan masalah sederhana terkait sains data (C3)
- Menganalisis karakteristik berbagai algoritma optimasi untuk menentukan pendekatan yang sesuai dengan konteks masalah (C4)
- Mengevaluasi performa algoritma optimasi berdasarkan kriteria efisiensi dan akurasi dalam pengolahan data (C5)
- Menciptakan solusi optimasi yang inovatif untuk masalah kompleks dalam domain sains data (C6)
- Menerapkan teknik optimasi linier dan non-linier dalam pemodelan masalah nyata (C3)
- Menganalisis struktur masalah optimasi dengan kendala untuk mengidentifikasi pola dan strategi solusi (C4)
- Mengevaluasi implementasi algoritma optimasi dalam sistem basis data dengan mempertimbangkan keamanan dan integritas (C5)
- Menciptakan model optimasi yang terintegrasi dengan pipeline data untuk meningkatkan efisiensi analitik (C6)
Aktifitas Pembelajaran
-
Pertemuan 1 Dan merumuskan masalah optimasi sederhana terkait sains data, serta menerapkan teknik optimasi dasar untuk menemukan solusi optimal. -
Pertemuan 2 Dan merumuskan masalah optimasi sederhana terkait sains data, serta menerapkan teknik optimasi dasar untuk menemukan solusi optimal. -
Pertemuan 3 Mengidentifikasi, membandingkan, dan memilih algoritma optimasi yang tepat berdasarkan analisis karakteristik dan kesesuaiannya dengan masalah yang dihadapi. -
Pertemuan 4 Mengidentifikasi, membandingkan, dan memilih algoritma optimasi yang tepat berdasarkan analisis karakteristik dan konteks permasalahan yang dihadapi. -
Pertemuan 5 Dan membandingkan kelebihan dan kekurangan algoritma optimasi berdasarkan metrik performa yang relevan untuk aplikasi pengolahan data. -
Pertemuan 6 Keunggulan dan kelemahan berbagai algoritma optimasi berdasarkan metrik performa, serta merekomendasikan algoritma yang sesuai untuk kasus pengolahan data tertentu. -
Pertemuan 7 -
Pertemuan 8 Setelah mengikuti pertemuan ini, mahasiswa diharapkan mampu: 1) Menganalisis karakteristik dan kompleksitas suatu masalah sains data untuk diidentifikasi sebagai masalah optimasi; 2) Merancang solusi optimasi yang kreatif dan inovatif dengan memilih atau memodifikasi algoritma yang tepat; 3) Mengimplementasikan solusi yang dirancang menggunakan tools pemrograman yang relevan; 4) Mengevaluasi performa dan keunggulan solusi yang dibuat dibandingkan pendekatan baseline atau state-of-the-art. -
Pertemuan 9 Merancang, mengembangkan, dan mengevaluasi solusi optimasi yang orisinal dan efektif untuk tantangan nyata dalam sains data, seperti pemodelan prediktif, clustering, atau optimasi resource, dengan memanfaatkan algoritma dan tools terkini. -
Pertemuan 10 Teknik optimasi linier dan non-linier dalam pemodelan masalah nyata, menganalisis solusi yang dihasilkan, dan mengevaluasi efektivitasnya. -
Pertemuan 11 Karakteristik masalah optimasi dengan kendala, menganalisis pola kendala dan fungsi objektif, serta merumuskan strategi solusi yang sesuai berdasarkan analisis struktur masalah. -
Pertemuan 12 Komponen masalah optimasi berkendala, mengenali pola umum, dan merumuskan strategi penyelesaian berdasarkan analisis mendalam. -
Pertemuan 13 Efektivitas dan keamanan implementasi algoritma optimasi dalam konteks sistem basis data, serta memberikan rekomendasi perbaikan berdasarkan analisis integritas data. -
Pertemuan 14 Merancang, mengimplementasikan, dan mengevaluasi model optimasi yang terintegrasi dengan pipeline data untuk meningkatkan efisiensi proses analitik dalam konteks nyata. -
Pertemuan 15 Merancang, mengembangkan, dan mengimplementasikan model optimasi yang terintegrasi dengan pipeline data untuk meningkatkan efisiensi proses analitik dalam konteks nyata. -
Pertemuan 16 Solusi optimasi yang terhubung dengan alur kerja data (data pipeline) untuk mempercepat dan mempermudah proses pengambilan keputusan berbasis data.
References
Lecturer
Difficult Things About Education.
$75$10
More Similar Courses
Related Courses
Literasi Digital
The Digital Literacy course is a general compulsory course (MKWU) for all Surabaya State University students which is presented in the first year of study.
Citizenship
This course is an introduction to the nature of Civics which is continued by discussing national identity; national integration; constitution; obligations and rights of the
Statistika
Mata kuliah ini membekali mahasiswa dengan konsep dasar statistika, mulai dari pengumpulan, pengolahan, penyajian data, analisis data, pengujian hipotesis, hingga regresi dan korelasi, dengan penekanan
Copyright © 2026 Sinau Digital UNESA All Rights Reserved