Assignment 02 -- 31-aug-2023

[dudung]

• Buat peta topik riset bidang yang akan ditekuni dan sebaiknya lebih dari tiga sehingga dapat dicari irisannya.
• Gunakan fitur Mindmap dari Mermaid untuk menggambarkanya di sini, e.g.

mindmap
  My Research
    Field A
     Sub field A1
     Sub field A2
    Field B
    Field C  

• Dan berikan penjelasannya, seperti \ Field A berkonsentrasi pada .. \ Field B merupakan studi yang menekankan pada .. \ ..
• Tuliskan, sejauh yang Anda tahu, perkiraan bidang atau sub-bidang atau irisannya yang menarik bagi Anda, dan merupakan suatu kajian yang diperkirakan baru sehingga dapat menjadi suatu topik publikasi yang orisinil, sehingga Anda merasa perlu membuat modul tentangnya.
• Kirimkan tugas ini di bawah ini dan juga di Edunex.
• Sertakan informasi (hanya) NIM Anda.
• Tugas ini merupakan tambahan arsip presentasi kuliah hari ini. Pertanyaan akan dijawab dalam Issue ini atau dapat diajukan pada pengajar di kelas.

[20921005ark]

• TUGAS WEEK 2 SK6091 (31/08/2023) - NIM = 20921005
• PETA TOPIK RISET (MODUL) - digambar menggunakan fitur Mindmap dari Mermaid

mindmap
  My Research
    Data Science
     Data Mining
     Artificial Inteligence
     Machine Learning
      Unsupervised Learning
    Social Science
     Public Administration
     Oversight and Accountability
     Management of Technology and Innovation
    Government Governance
     Public Policy
     Public Engagement

• Adapun penjelasannya diagram (map) di atas adalah sebagai berikut: - Field A (Data Science) merupakan bidang interdisipliner yang berfokus pada ekstraksi, analisis, interpretasi, dan penggunaan informasi dari data. Tujuan utamanya adalah untuk mendapatkan wawasan yang berharga dan mendukung pengambilan keputusan melalui analisis data.
  - Sub Field A1 (Data Mining) adalah proses menggali informasi yang berharga atau pola tersembunyi dari kumpulan data yang besar dan kompleks. Ini melibatkan penggunaan teknik statistik, algoritma machine learning, dan analisis data untuk mengidentifikasi hubungan dan pola yang mungkin tidak terlihat secara langsung. Data Mining bertujuan untuk mengubah data mentah menjadi informasi yang bermanfaat dan dapat mendukung pengambilan keputusan. - Sub Field A2 (Artificial Inteligence) merupakan konsep yang berkaitan dengan upaya menciptakan komputer atau sistem yang dapat melakukan tugas yang sebelumnya hanya dapat dilakukan oleh manusia dengan kecerdasan manusia. Ini mencakup pengembangan algoritma dan model komputasional yang memungkinkan mesin untuk belajar dari data, merespon lingkungan, dan melakukan tugas seperti pengenalan suara, penglihatan komputer, pengolahan bahasa alami, dan pengambilan keputusan otomatis. - Sub Field A3 (Machine Learning) adalah subbidang dari kecerdasan buatan (Artificial Intelligence atau AI) yang berfokus pada pengembangan algoritma dan model komputer yang memungkinkan sistem untuk belajar dari data dan pengalaman. Tujuannya adalah agar sistem dapat mengenali pola, membuat prediksi, dan mengambil keputusan secara otomatis. - Sub (Sub Field A3_1) Unsupervised Learning adalah salah satu jenis pendekatan di dalam Machine Learning. Dalam Unsupervised Learning, sistem belajar dari data yang tidak memiliki label atau pengawasan. Tujuannya adalah untuk menemukan pola tersembunyi, struktur, atau kelompok dalam data tersebut tanpa memiliki informasi sebelumnya tentang apa yang harus dicari. - Field B (Social Science) merupakan studi yang menekankan pada memahami interaksi manusia, struktur sosial, dinamika kelompok, dan institusi sosial serta dampak adanya institusi sosial terhadap individu dan masyarakat. - Sub Field B1 (Public Administration) mempelajari tentang organisasi, manajemen, dan pelaksanaan kebijakan pemerintah. Ini mencakup manajemen sumber daya manusia, anggaran publik, perencanaan kebijakan, dan pengawasan dalam lingkup pemerintah atau sektor publik. - Sub Field B2 (Oversight and Accountability) berfokus pada pengawasan dan transparansi dalam penyediaan pelayanan publik, termasuk peran lembaga-lembaga pengawas dan mekanisme akuntabilitas. - Sub Field B3 (Management of Technology and Innovation) merupakan bagian dari Social Science yang berfokus pada pengelolaan proses inovasi dan penerapan teknologi dalam konteks organisasi dan masyarakat. Ini adalah cabang ilmu yang mempelajari bagaimana teknologi dikembangkan, diadopsi, dan diintegrasikan dalam organisasi, serta bagaimana inovasi dapat memengaruhi perkembangan ekonomi, sosial, dan lingkungan. - Field C (Government Governance) berkaitan dengan tata kelola pemerintahan dan instansi publik dalam memberikan layanan kepada masyarakat. Tata kelola yang baik berkontribusi pada penyediaan pelayanan publik yang efektif dan efisien - Sub Field C1 (Public Policy) mempertimbangkan aspek kebijakan yang terkait dengan penilaian penyelenggaraan pelayanan publik. Bagaimana kebijakan diterapkan dan dampaknya terhadap kualitas layanan publik merupakan elemen penting dalam konteks kebijakan publik. - Sub Field C2 (Public Engagement) mencerminkan partisipasi, kepedulian, dan keterlibatan masyarakat dalam memantau dan menilai penyelenggaraan pelayanan publik.

[Nurfitriah58]

• Tugas Week 2 (20922012)

• PETA TOPIK RISET (MODUL) - digambar menggunakan fitur [Mindmap dari Mermaid]

• Berikut penjelasan Mainmap riset diatas:

1. Field A (Molecular Dynamics), Simulasi pergerakan atom dan molekul dalam sistem material untuk memahami dinamika, elastisitas, dan perubahan struktural dari waktu ke waktu.

   • Sub Field A1 (Solid State Simulations), Memodelkan sifat-sifat material padat, termasuk struktur kristal, defek, elastisitas, dan konduktivitas termal.
   • Sub Field A2 (Surface Dynamics Simulations), Mempertimbangkan pergerakan dan interaksi atom pada permukaan material, yang penting dalam katalisis, adsorpsi, dan reaksi kimia permukaan.

2. Field B (Catalysis), Memprediksi interaksi antara katalis dan substrat dalam reaksi kimia untuk mengembangkan katalis yang lebih efisien.

   • Sub Field B1 (Heterogeneous Catalysis), Fokus pada reaksi katalitik di mana katalis berada dalam fase yang berbeda dari reaktan. Ini sering melibatkan permukaan padat sebagai katalis, seperti logam atau oksida logam.
   • Sub Field B2 (Homogeneous Catalysis), Melibatkan katalis yang ada dalam fase yang sama dengan reaktan. Ini umumnya terjadi dalam reaksi larutan, dan katalis sering kali merupakan senyawa organometalik.
   • Sub Field B3 (Hydrogenation Catalysis), Mencakup reaksi penambahan hidrogen ke senyawa, yang sering digunakan dalam industri minyak dan gas serta kimia.
   • Sub Field B4 (Hydrocarbon Catalysis), Fokus pada reaksi katalitik yang melibatkan senyawa hidrokarbon, seperti reaksi hidroisomerisasi, hidrodesulfurisasi, dan konversi metana.

3. Field C (Quantum Chemistry), Menggunakan metode mekanika kuantum untuk memahami interaksi antara atom dan molekul, serta memprediksi sifat kimia dan reaktivitas.

   • Sub Field C1 (Density Functional Theory), Menggunakan fungsi densitas elektron untuk menghitung sifat-sifat molekul dan material.
   • Sub Field C2 (Intermolecular Interactions), Mempelajari interaksi non-ikatan, seperti ikatan hidrogen, gaya van der Waals, dan interaksi ion-ion.
   • Sub Field C3 (Bond Energy Calculations), Mengukur energi ikatan dan perubahan energi dalam reaksi kimia melalui metode kuantum.

[SilentReader99]

Tugas Week 2 (20922011)

Berikut saya lampirkan Mindmap dari penelitian yang dilakukan

Detail Dari Mindmap yang Dibuat

1. Field A (DTI) : mengidentifikasi interaksi yang terjadi antara obat (ligand) dan protein target (virus)

   • Sub Field (Molecular Dynamics) : metode komputasi dalam melihat pergerakan atom dan molecul. Dalam penelitian ini dimanfaatkan sebagai alat validasi dari hasil Molecular Docking yang dilakukan • Sub Field (Molecular Docking): metode komputasi yang digunakan dalam melihat dan memprediksi interaksi dan binding energy antara senyawa obat dengan target protein

2. Field B (Machine Learning) : Pengembangan Sistem Kecerdasan Buatan agar suatu sistem mampu belajar secara mandiri melalui beberapa pola yang telah diinput kedalam sistem • Sub Field (Data Mining ): Proses pengumpulan dan Pengolahan Data untuk mengekstrak informasi penting yang dapat digunakan dalam pembuatan model. Dalam penelitian ini Data mining berfokus pada drugbank and proteinbank • Sub Field (Supervised Learning) : Sistem pembelajaran untuk suatu sistem dengan menyediakan label target. Hal ini dilakukan umumnya pada pembuatan model unutk melakukan prediksi ◦ Sub Field (Biding Score Prediction) : Salah satu fitur yang digunakan pada Machine Learning adalah kemampuan membuat model dan memprediksi binding energy dari suatu interaksi senyawa dengan protein target

3. Field C (Drug Discovery) : Proses Penemuan Obat Baru terhadap suatu virus atau penyakit • Sub Field (Drug Repurposing) : Pengujian kembali obat-obat yang efektif menangani penyakit lain terhadap virus baru. Obat yang diuji biasanya merupakan antiviral drugs. • Sub Field (Traditional Drug Discovery) : Penemuan senyawa atau obat baru yang perlu mengalami beberapa langkah ujicoba seperti Pre_Clinical Phase, Clinical Phase, dan persetujuan publikasi.

[20922303]

Tugas Pertemuan 2 (20922303)

Untuk penjelasan Telah di submit di Edunect Terimakasih

[arisulistyowati]

Detail Dari Mindmap yang Dibuat:

1. Business Understanding --> Problem Statement : Mendifine problem yang dihadapi terkait kasusu Credit Scoring --> Metrics Evaluation : Menentukan metrics evaluasi yang berfungsi mengukur keakuratan hasil pemodelan

2. Explorasi Data Analysis -> Outlier Analysis : Melakukan pengecheckan data outlier --> Korelasi : Pengechekan kolom-kolom yang miliki korelasi tinggi terhadap kolom target

3. Pemodelan --> Best model: setelah dilakukan pemodelan terhadap beberapa algoritma machine learning akan dipilih model terbaik berdasarkan evaluation score tertinggi --> Hyperparameter: best model yang dipilih dilakukan hyperparameter tunning diharapkan untuk memperoleh nilai metric evaluation score yang lebih tinggi --> Interpretasi hasil : setelah diperoleh final model, hasil dari final model tersebut akan di interpretasi dalam bentuk grafik dengan metode SHAP dan LIME

4. Conclusion & Rekomendasi --> hasil dari interpretasi model akan diambil kesimpulan dan rekomendasi atas problem statement yang dibuat

[abraar4100]

• Muhammad Abraar Abhirama (20923003)
• Berikut ini tertera mindmap modul yang berjudul, "Prediksi Harga Saham menggunakan Analisis Time Series dan Deep Learning".
  

1. Secara singkat, modul ini akan memberi penjelasan teknis bagaimana memprediksi saham menggunakan analisis time-series dan deep learning. Penjelasan yang menjadi poin utama dari modul ini adalah perbedaan utama dari analisis time series dan analisis deep learning. Hal ini terinspirasi dari banyaknya riset mengenai analisis prediksi saham, namun seringkali sifat asi atau karakteristik dari metode yang dipakai tidak dijeaskan secara rinci, sehingga hanya menyebabkan pemakaian metode tanpa mengerti karakteristik data. Oleh karena itu, penulis berinisiatif membuat modul ini untuk menyelesaikan isu-isu tersebut.

2. Field Saham akan mengenalkan :

   • Pengertian dasar saham
   • Mengapa orang-orang bertransaksi saham
   • Jenis-jenis saham
   • Perilaku harga saham
   • Analisis prediksi saham yang umum dipakai

3. Field Time-Series akan mengenalkan:

   • Menjelaskan data-data yang termasuk ke dalam kategori time series
   • Definisi Time-series
   • Jenis-jenis analisis time-series (ARIMA dan turunannya serta Fourier Transform dan turunannya)

4. Field Machine Learning akan mengenalkan:

   • Definisi machine learning
   • Perbedaan mendasar antara forecasting menggunakan Time-Series dan Machine Learning
   • Apa itu deep learning
   • Mengapa menggunakan Deep

[alitadinugraha]

Assignment Week 2 (20922006) Mind map penelitian dilampirkan sebagai berikut:

penjelasan dari Mindmap yang dibuat:

Field A (what is cyberbully): merupakan pendahuluan dari topik riset yang akan dilakukan, akan diberikan penjelasan terkait topik, melibatkan bagaiman perilaku dapat terjadi, tempat terjadinya perilaku cyberbully, dan akibat yang ditimbulkan karena perilaku cyberbully.

Field B (how to prevent): adalah topik lanjutan dari pendahuluan mengenai cyberbully, memberikan pengetahuan singkat mengenai pencegahan terhadap perilaku, dan upaya yang dapat dilakukan menggunakan machine learning

Field C (Machine Learning) : bagian ini mejelaskan penggunaan machine learning dalam upaya klasifikasi cyberbully, metode SVM diterapkan dalam penggunaan machine learning, data mining dan data preprocessing juga akan dijelaskan pada bagian ini