Mapel Pilihan Kecerdasan Buatan

Rekayasa Perangkat Lunak Kelas XI

PENGENALAN
DATA SCIENCE
Taufiq Pratama Putra, [Link]
YOUTUBE RECOMENDATION
E-COMMERECE RECOMENDATION
PRAKIRAAN CUACA
 PENTINGNYA DATA
SCIENCE DALAM DUNIA
INDUSTRI SAAT INI
 PENTINGNYA DATA SCIENCE DALAM DUNIA
INDUSTRI SAAT INI
1. Meningkatnya Ketersediaan Data: Bisnis saat ini menghasilkan dan
menyimpan lebih banyak data daripada sebelumnya, termasuk
data transaksi, data pelanggan, data sensor, dan data sosial media.
Data science membantu perusahaan untuk memanfaatkan data ini
secara efektif untuk mengambil keputusan yang lebih baik.
2. Meningkatnya Kompleksitas Bisnis: Bisnis modern seringkali
memiliki masalah yang kompleks dan multidimensional. Data
science dapat menyediakan pemahaman yang lebih dalam tentang
masalah tersebut dengan menganalisis data dari berbagai sumber
dan memanfaatkan teknik-teknik seperti machine learning dan
analisis statistik.
 PENTINGNYA DATA SCIENCE DALAM DUNIA
INDUSTRI SAAT INI
3. Peningkatan Daya Komputasi: Kemajuan dalam teknologi
komputasi, seperti komputasi awan dan pengolahan paralel, telah
memungkinkan analisis data yang lebih cepat dan skalabilitas yang
lebih besar. Ini memungkinkan perusahaan untuk menangani volume
data yang besar dengan efisien.
4. Meningkatnya Persaingan: Dalam lingkungan bisnis yang kompetitif,
perusahaan perlu mendapatkan keunggulan kompetitif. Data science
membantu perusahaan untuk mengidentifikasi peluang baru,
memahami pasar dengan lebih baik, meningkatkan efisiensi
operasional, dan merespons perubahan pasar dengan cepat.
 PENTINGNYA DATA SCIENCE DALAM DUNIA
INDUSTRI SAAT INI
5. Personalisasi dan Pengalaman Pelanggan: Data science
memungkinkan perusahaan untuk membuat pengalaman yang lebih
personal bagi pelanggan mereka dengan menganalisis perilaku
pelanggan, preferensi, dan pola pembelian. Hal ini memungkinkan
perusahaan untuk menawarkan produk dan layanan yang lebih sesuai
dengan kebutuhan individu pelanggan.
6. Optimasi Proses Bisnis: Data science digunakan untuk
mengoptimalkan berbagai proses bisnis, mulai dari rantai pasokan
hingga manufaktur, dengan mengidentifikasi pola, trend, dan variabel-
variabel yang berpengaruh.
 PENTINGNYA DATA SCIENCE DALAM DUNIA
INDUSTRI SAAT INI

7. Inovasi: Data science mendorong inovasi dalam berbagai bidang, seperti

kesehatan (pembelajaran mesin untuk diagnosis penyakit), keuangan
(analisis risiko dan prediksi pasar), transportasi (pengoptimalan rute), dan
banyak lagi.
 DATA SCIENCE
Data science, atau ilmu data, adalah ilmu
yang mempelajari cara mengolah data
menjadi informasi yang berharga. Data
science menggabungkan ilmu matematika,
statistika, dan informatika atau ilmu
komputer untuk mempelajari data, terutama
data berskala besar yang disebut Big Data.
 DATA SCIENCE
Tujuan utamanya adalah untuk memahami,
menganalisis, dan menafsirkan data untuk
memecahkan masalah, mengidentifikasi
pola, membuat prediksi, dan mendukung
pengambilan keputusan yang lebih baik
dalam berbagai konteks, mulai dari bisnis
hingga sains dan pemerintahan.
 KOMPONEN UTAMA
DALAM DATA SCIENCE
KOMPONEN UTAMA DALAM DATA SCIENCE
1. Pengumpulan Data (Data Collection):
Proses pengumpulan data dari berbagai sumber, termasuk
basis data, sensor, file teks, perangkat lunak, atau platform
online.
Pengumpulan data harus sesuai dengan kebutuhan proyek
dan memperhatikan keamanan dan privasi data.
2. Pembersihan Data (Data Cleaning):
Tahap pembersihan data melibatkan identifikasi,
penanganan, dan pemrosesan nilai yang hilang, duplikat,
tidak valid, atau tidak lengkap dalam data.
Langkah ini penting untuk memastikan kualitas data yang
baik sebelum dilakukan analisis lebih lanjut.
KOMPONEN UTAMA DALAM DATA SCIENCE
3. Eksplorasi Data (Exploratory Data Analysis - EDA):
Proses eksplorasi data untuk memahami karakteristik dan
pola dalam data.
Ini melibatkan visualisasi data, statistik deskriptif, dan
teknik eksplorasi lainnya untuk menemukan wawasan
awal.
4. Analisis Data (Data Analysis):
Proses menganalisis data untuk menemukan pola, tren,
dan hubungan di antara variabel-variabel dalam data.
Analisis ini dapat melibatkan statistik deskriptif, inferensial,
machine learning, atau metode lainnya tergantung pada
tujuan analisis.
KOMPONEN UTAMA DALAM DATA SCIENCE
5. Visualisasi Data (Data Visualization):
Representasi visual dari data untuk menyajikan
informasi dengan cara yang mudah dipahami dan
menarik.
Ini dapat meliputi grafik, bagan, peta, dan visualisasi
interaktif lainnya.
6. Pemodelan Data (Data Modeling):
Membangun model statistik atau matematis yang
dapat digunakan untuk membuat prediksi atau
mengambil keputusan berdasarkan data yang ada.
Ini melibatkan pemilihan model, pelatihan model,
validasi, dan evaluasi kinerja model.
 KOMPONEN UTAMA DALAM DATA SCIENCE
7. Validasi dan Evaluasi Model (Model Validation and Evaluation):
Proses untuk menguji dan mengevaluasi kinerja model
menggunakan data yang tidak terlihat atau data yang belum
pernah dilihat sebelumnya.
Ini memastikan bahwa model yang dibangun dapat
digeneralisasikan dengan baik ke data baru.
8. Implementasi Model (Model Deployment):
Tahap untuk menerapkan model yang telah dikembangkan
ke dalam produksi atau penggunaan praktis dalam bisnis
atau aplikasi.
Ini melibatkan integrasi model ke dalam sistem yang ada
atau pembuatan antarmuka pengguna untuk model
KOMPONEN UTAMA DALAM DATA SCIENCE
9. Interpretasi dan Komunikasi Hasil (Interpretation and
Communication):
Menafsirkan hasil analisis dan model secara menyeluruh
dan mengomunikasikan temuan kepada pemangku
kepentingan atau pengguna non-teknis dengan cara
yang mudah dipahami.
10. Pemeliharaan dan Iterasi (Maintenance and Iteration):
Proses pemeliharaan, pembaruan, dan perbaikan model
secara berkala berdasarkan umpan balik, perubahan
kebutuhan, atau perubahan dalam data atau lingkungan
bisnis
 JENIS-JENIS DATA

DATA DATA TIDAK

TERSTRUKTUR TERSTRUKTUR
 DATA TERSTRUKTUR
Format Teratur: Data terstruktur memiliki format yang teratur
dan terorganisir dengan baik. Ini sering disimpan dalam bentuk
tabel yang terdiri dari baris dan kolom, di mana setiap kolom
mewakili jenis data yang berbeda.
Contoh: Database relasional, spreadsheet, data dalam format
CSV atau TSV.
Sifat Kaku: Data terstruktur memiliki skema yang telah
ditentukan sebelumnya, yang berarti jenis data setiap kolom
dan relasi antar tabel sudah diketahui.
 DATA TIDAK TERSTRUKTUR
Format Tidak Teratur: Data tidak terstruktur tidak memiliki format
yang teratur. Ini sering kali tidak cocok dengan model data
relasional dan tidak dapat diatur ke dalam format tabel.
Contoh: Teks bebas, media sosial, email, audio, video, gambar,
dokumen PDF, data sensor.
Konten Beragam: Data tidak terstruktur dapat memiliki berbagai
format, termasuk teks bebas, suara, gambar, atau video. Tidak ada
skema yang jelas untuk data ini.
Pemrosesan Tidak Langsung: Memerlukan teknik khusus untuk
mengekstrak informasi dari data ini, seringkali melalui teknik
pemrosesan bahasa alami, pengenalan pola, atau analisis gambar.
 CONTOH JENIS DATA DALAM BERBAGAI BIDANG

TEKSTUAL
1. Teks Artikel Berita: Konten artikel dari situs berita atau blog.
2. Tweet Media Sosial: Pesan-pesan singkat dari platform
media sosial seperti Twitter.
3. Transkripsi Wawancara: Transkripsi teks dari wawancara atau
percakapan.
4. Dokumen PDF: Dokumen yang disimpan dalam format PDF,
seperti laporan, proposal, atau panduan.
CONTOH JENIS DATA DALAM BERBAGAI BIDANG

NUMERIK
1. Data Sensor: Data suhu, tekanan, kelembaban, atau
kecepatan dari sensor dalam bidang IoT atau industri.
2. Data Keuangan: Data harga saham, pendapatan, atau
pengeluaran keuangan.
3. Data Biometrik: Data seperti tinggi badan, berat badan, atau
denyut jantung.
4. Data Pelanggan: Jumlah pembelian, nilai transaksi, atau
jumlah kunjungan pelanggan.
CONTOH JENIS DATA DALAM BERBAGAI BIDANG

SPASIAL
1. Koordinat GPS: Data lokasi geografis dalam format latitude
dan longitude.
2. Peta Citra Satelit: Citra satelit yang menampilkan wilayah
geografis tertentu.
3. Data GIS (Sistem Informasi Geografis): Data tentang fitur-fitur
geografis seperti sungai, jalan, atau batas administratif.
4. Data Persebaran Penyakit: Data yang menunjukkan lokasi dan
persebaran penyakit dalam populasi.
 CONTOH JENIS DATA DALAM BERBAGAI BIDANG

AUDIO
1. File Audio: Rekaman suara dalam format MP3, WAV, atau FLAC.
2. Data Suara Medis: Rekaman suara jantung atau paru-paru dalam
bidang medis.
3. Percakapan Telepon: Rekaman percakapan telepon dalam
format digital.
4. Pemantauan Suara: Data yang dihasilkan dari sistem
pemantauan suara untuk deteksi anomali atau pengenalan
ucapan.
CONTOH JENIS DATA DALAM BERBAGAI BIDANG

GAMBAR
1. Foto Digital: Gambar-gambar yang diambil dengan kamera
digital dalam format JPEG atau PNG.
2. Citra Medis: Gambar-gambar medis seperti hasil MRI, CT scan,
atau sinar-X.
3. CCTV Footage: Rekaman video dari kamera pengawas.
4. Data Pemetaan Kecocokan Wajah: Data yang digunakan
untuk identifikasi wajah dalam sistem keamanan atau
autentikasi.
CONTOH JENIS DATA DALAM BERBAGAI BIDANG

WAKTU DAN RANGKAIAN

1. Rangkaian Waktu Keuangan: Data harga saham dari waktu ke
waktu.
2. Data Sensor pada Rentang Waktu: Data suhu harian selama
sebulan.
3. Log Aktivitas Jaringan: Data aktivitas jaringan selama periode
waktu tertentu.
4. Data Cuaca: Data cuaca harian seperti suhu, kelembaban, dan
curah hujan.
CONTOH JENIS DATA DALAM BERBAGAI BIDANG

Setiap jenis data ini memerlukan pendekatan analisis yang

berbeda tergantung pada karakteristiknya. Misalnya, data
numerik dapat dianalisis dengan statistik deskriptif dan
regresi, sementara data spasial memerlukan alat analisis
khusus untuk memahami hubungan spasial antar-objek.
 ALAT DAN
TEKNOLOGI DALAM
DATA SCIENCE
 BAHASA PEMROGRAMAN
1. Python:
Sangat populer dalam data science karena memiliki
berbagai perpustakaan yang kuat seperti NumPy, Pandas,
Matplotlib, dan scikit-learn.
Cocok untuk pemrosesan data, analisis, visualisasi, dan
pembuatan model.
2. R:
Digunakan khususnya dalam analisis statistik dan
visualisasi data.
Memiliki berbagai paket yang kuat untuk statistik, grafik,
dan analisis data seperti ggplot2, dplyr, dan tidyr.
 PERANGKAT LUNAK ANALISIS DATA
1. Jupyter Notebooks:
Lingkungan komputasi interaktif yang memungkinkan
pengguna untuk menulis dan menjalankan kode, serta
membuat catatan dan visualisasi dalam satu dokumen.
Dukungan untuk bahasa pemrograman Python, R, dan
banyak lagi.
2. RStudio:
Lingkungan pengembangan terintegrasi (IDE) untuk bahasa
pemrograman R.
Dirancang khusus untuk analisis data, visualisasi, dan
pengembangan model.
 PERANGKAT LUNAK BASIS DATA
1. MySQL, PostgreSQL, SQLite:
Sistem manajemen basis data relasional yang umum
digunakan untuk menyimpan dan mengelola data terstruktur.
2. MongoDB:
Basis data NoSQL yang populer untuk menyimpan dan
mengelola data tidak terstruktur.
 PERANGKAT LUNAK VISUALISASI DATA
1. Tableau:
Alat visualisasi data yang memungkinkan pengguna untuk
membuat visualisasi interaktif dan laporan bisnis yang informatif.
2. Power BI:
Alat visualisasi data dari Microsoft yang dapat digunakan untuk
membuat visualisasi yang interaktif dan dashboard bisnis.
3. Matplotlib, Seaborn:
Perpustakaan Python untuk membuat visualisasi data secara
statis.
4. Plotly, Bokeh:
Perpustakaan Python yang memungkinkan pembuatan
visualisasi interaktif
 PERANGKAT LUNAK MACHINE LEARNING
DAN DEEP LEARNING
1. TensorFlow, Keras:
Framework machine learning dan deep learning yang
populer untuk pembuatan dan pelatihan model neural
network.
2. PyTorch:
Framework machine learning yang disukai untuk kegunaan
riset dan pengembangan model neural network.
3. scikit-learn:
Perpustakaan Python yang kuat untuk machine learning
yang menyediakan berbagai algoritma dan alat untuk
analisis data.
 PERANGKAT LUNAK CLOUD
1. Amazon Web Services (AWS), Google Cloud Platform (GCP),
Microsoft Azure:
Menyediakan berbagai layanan cloud untuk penyimpanan,
komputasi, analisis data, dan pembelajaran mesin.
CONTOH KASUS
PENGGUNAAN
DATA SCIENCE
CONTOH KASUS PENGGUNAAN DATA SCIENCE
Pemasaran:
Analisis Sentimen Media Sosial: Menggunakan analisis
teks untuk memahami sentimen pelanggan terhadap
merek atau produk dalam platform media sosial.
Segmentasi Pelanggan: Menggunakan clustering
untuk mengidentifikasi segmentasi pelanggan
berdasarkan perilaku pembelian atau preferensi.
Rekomendasi Produk: Menerapkan algoritma
rekomendasi untuk menyarankan produk kepada
pelanggan berdasarkan riwayat pembelian atau
preferensi mereka.
 PROSES KERJA DATA SCIENCE
Kesehatan:
Prediksi Penyakit: Membangun model untuk memprediksi
risiko penyakit tertentu berdasarkan riwayat kesehatan
pasien dan faktor risiko lainnya.
Analisis Citra Medis: Menggunakan teknik pemrosesan
gambar untuk mendiagnosis penyakit atau memantau
kondisi kesehatan dari citra medis seperti MRI atau CT
scan.
Analisis Data Klinis: Menganalisis data klinis untuk
mengidentifikasi tren, pola, atau perbedaan dalam praktik
medis yang dapat meningkatkan efisiensi atau hasil
pasien.
PROSES KERJA DATA SCIENCE
Keuangan:
Prediksi Risiko Kredit: Membangun model untuk
memprediksi risiko kredit pelanggan berdasarkan
data historis dan variabel keuangan lainnya.
Deteksi Penipuan: Menggunakan teknik
pembelajaran mesin untuk mendeteksi aktivitas
keuangan yang mencurigakan atau penipuan.
Manajemen Portofolio: Menggunakan analisis data
untuk mengoptimalkan portofolio investasi
berdasarkan risiko dan pengembalian yang
diharapkan
 PROSES KERJA DATA SCIENCE
Transportasi:
Pemantauan dan Prediksi Lalu Lintas: Menganalisis
data lalu lintas untuk memantau kondisi lalu lintas saat
ini dan memprediksi pola lalu lintas di masa depan.
Optimasi Rute dan Pengiriman: Menggunakan
algoritma optimasi untuk mengoptimalkan rute
pengiriman barang atau transportasi umum untuk
mengurangi biaya dan waktu perjalanan.
Analisis Keselamatan: Menganalisis data kecelakaan
untuk mengidentifikasi faktor risiko dan meningkatkan
keselamatan di jalan.
 PROSES KERJA DATA SCIENCE
Pendidikan:
Analisis Kinerja Siswa: Menganalisis data kinerja siswa
untuk mengidentifikasi faktor-faktor yang
memengaruhi keberhasilan akademis dan memberikan
rekomendasi intervensi.
Personalisasi Pembelajaran: Menggunakan algoritma
rekomendasi untuk memberikan materi dan aktivitas
pembelajaran yang sesuai dengan kebutuhan dan gaya
belajar siswa.
Pengelolaan Data Sekolah: Menggunakan analisis
data untuk mengelola data siswa, jadwal, dan sumber
daya sekolah secara efisien.
KETERAMPILAN DAN
KOMPETENSI YANG
DIBUTUHKAN
 KETERAMPILAN TEKNIS
1. Pemrograman:
Menguasai bahasa pemrograman seperti Python,
R, atau SQL untuk analisis data dan pengolahan
data.
2. Analisis Statistik:
Memahami konsep dasar statistik seperti distribusi,
probabilitas, inferensi, dan regresi.
Penggunaan teknik statistik untuk menganalisis
data dan menguji hipotesis.
 KETERAMPILAN TEKNIS
3. Pengolahan Data:
Keterampilan dalam membersihkan,
menggabungkan, dan merapikan data
menggunakan alat dan teknik seperti Pandas,
NumPy, atau dplyr.
Memahami teknik preprocessing data untuk
mempersiapkan data untuk analisis lebih lanjut.
 KETERAMPILAN TEKNIS
4. Pemodelan dan Machine Learning:
Menguasai konsep-konsep machine learning dan
pemodelan statistik seperti regresi, klasifikasi,
clustering, dan pembelajaran mendalam.
Pemahaman tentang berbagai algoritma machine
learning dan penggunaannya dalam memecahkan
masalah.
 KETERAMPILAN TEKNIS
5. Visualisasi Data:
Kemampuan untuk menyajikan data dengan
jelas dan efektif menggunakan berbagai jenis
visualisasi seperti grafik, diagram, dan peta.
Penguasaan alat seperti Matplotlib, Seaborn,
atau ggplot2 untuk membuat visualisasi yang
informatif.
 KETERAMPILAN TEKNIS

6. Pengolahan Bahasa Alami (Natural Language

Processing - NLP):
Keterampilan dalam memproses dan
menganalisis data teks menggunakan teknik-
teknik NLP seperti tokenisasi, stemming, dan
analisis sentimen.
 KETERAMPILAN NON TEKNIS

1. Kemampuan Berpikir Kritis

2. Komunikasi
3. Kolaborasi Tim
4. Keterampilan Domain
5. Kreativitas dan Inisiatif
6. Kemampuan Manajemen Proyek
 PELUANG KARIR
DALAM DATA SCIENCE
 DATA ANALYST
Deskripsi Pekerjaan: Menganalisis data untuk
menarik wawasan dan membuat laporan
yang membantu pengambilan keputusan
bisnis.
Potensi Gaji: Tergantung pada pengalaman,
lokasi, dan industri, rata-rata sekitar $60,000
- $90,000 per tahun.
Pertumbuhan Karir: Data analyst dapat naik
ke posisi senior atau spesialis analisis data
dengan pengalaman dan keterampilan yang
ditingkatkan.
 DATA SCIENTIST
Deskripsi Pekerjaan: Menggunakan analisis
statistik, pemodelan, dan pemrosesan data
untuk memecahkan masalah kompleks dan
membuat prediksi.
Potensi Gaji: Rata-rata sekitar $90,000 -
$120,000 per tahun, dengan potensi yang lebih
tinggi di perusahaan teknologi atau finansial.
Pertumbuhan Karir: Data scientist dapat naik ke
posisi kepala atau kepala tim data dengan
pengalaman dan kemampuan kepemimpinan
yang solid.
MACHINE LEARNING ENGINEER
Deskripsi Pekerjaan: Merancang,
mengembangkan, dan memelihara sistem
machine learning untuk aplikasi nyata.
Potensi Gaji: Rata-rata sekitar $100,000 -
$150,000 per tahun, dengan potensi yang lebih
tinggi di industri teknologi maju seperti
kecerdasan buatan.
Pertumbuhan Karir: Machine learning engineer
dapat naik ke posisi kepala ilmuwan data atau
kepala teknologi dengan pengalaman dan
keahlian yang diperluas.
 BIG DATA ENGINEER
Deskripsi Pekerjaan: Menangani infrastruktur
dan teknologi yang terkait dengan pemrosesan,
penyimpanan, dan analisis data skala besar.
Potensi Gaji: Rata-rata sekitar $110,000 -
$150,000 per tahun, dengan potensi yang lebih
tinggi di perusahaan teknologi besar atau cloud.
Pertumbuhan Karir: Big data engineer dapat
naik ke posisi arsitek big data atau kepala
teknologi dengan pengalaman dan
pengetahuan yang diperluas dalam teknologi
big data.
DATA SCIENCE MANAGER ATAU CHIEF
DATA OFFICER (CDO)
Deskripsi Pekerjaan: Bertanggung jawab atas
strategi data dan penggunaannya di seluruh
organisasi, memimpin tim data, dan
mengarahkan inisiatif data besar.
Potensi Gaji: Rata-rata sekitar $150,000 -
$250,000 per tahun, dengan potensi yang lebih
tinggi di perusahaan besar dan di industri
finansial atau teknologi.
Pertumbuhan Karir: Posisi manajemen ini bisa
mengarah ke posisi eksekutif di tingkat C-suite
atau menjadi konsultan data independen
WEB SCRAPPING
 WEB SCRAPPING
Web scraping adalah proses ekstraksi informasi dari
halaman web secara otomatis. Ini melibatkan
pengambilan data dari situs web menggunakan teknik
otomatis, yang memungkinkan untuk mengumpulkan
data dalam jumlah besar dengan cepat. Proses ini
biasanya dilakukan dengan menggunakan bot web
atau crawler untuk mengakses halaman web,
mengekstrak informasi yang diperlukan, dan
menyimpannya dalam format yang dapat digunakan
WEB SCRAPPING
BAGAIMANA WEB SCRAPING BEKERJA?
1. Mengakses Halaman Web:
Bot web mengakses halaman web yang ditentukan
menggunakan HTTP atau protokol lainnya.
2. Pemilihan dan Ekstraksi Data:
Bot web menemukan dan mengidentifikasi elemen-
elemen tertentu di halaman web yang berisi
informasi yang ingin diekstraksi, seperti teks,
gambar, atau tabel.
Data ini diekstraksi dari kode HTML halaman web
menggunakan teknik seperti XPath, CSS selector,
atau regex.
BAGAIMANA WEB SCRAPING BEKERJA?
1. Mengakses Halaman Web:
Bot web mengakses halaman web yang ditentukan
menggunakan HTTP atau protokol lainnya.
2. Pemilihan dan Ekstraksi Data:
Bot web menemukan dan mengidentifikasi elemen-
elemen tertentu di halaman web yang berisi
informasi yang ingin diekstraksi, seperti teks,
gambar, atau tabel.
Data ini diekstraksi dari kode HTML halaman web
menggunakan teknik seperti XPath, CSS selector,
atau regex.
ALAT-ALAT YANG DIGUNAKAN UNTUK WEB
SCRAPING
1. Beautiful Soup:
Salah satu library Python yang paling populer untuk web
scraping. Ini memungkinkan pengguna untuk
mengekstrak data dari HTML dan XML dengan cara yang
mudah dipahami.
2. Scrapy:
Framework Python untuk web scraping yang lebih kuat,
memungkinkan pengguna untuk membuat spider
(crawler) yang dapat mengekstrak data dari beberapa
halaman web secara bersamaan.
 ALAT-ALAT YANG DIGUNAKAN UNTUK WEB
SCRAPING

3. Selenium:
Alat yang digunakan untuk mengotomatisasi browser
web. Ini berguna untuk skenario web scraping yang
memerlukan tindakan interaktif, seperti klik tombol
atau mengisi formulir.
 PENGGUNAAN WEB SCRAPING

1. Pengumpulan Data Pasar:

Menganalisis harga produk dari situs e-commerce.
Mengumpulkan ulasan pelanggan untuk analisis
sentimen.
2. Monitoring Kompetitor:
Melacak perubahan harga atau penawaran produk dari
pesaing.
Mengumpulkan data tentang strategi pemasaran atau
konten dari pesaing.
 PENGGUNAAN WEB SCRAPING

3. Penelitian dan Analisis:

Mengumpulkan data untuk penelitian akademis atau
analisis pasar.
Menyusun dataset untuk pelatihan model machine
learning.
4. Pengumpulan Berita atau Konten:
Menarik artikel atau berita dari situs web berita.
Mendapatkan konten untuk analisis atau kurasi.
ARE THERE ANY
QUESTIONS?
Remember to study the
information from this lecture!