TUGAS PERTAMA

exercize week-2

library(htmltools)

HTML('
<div class="profile-card">

  <div>
    <img src="JANA.JPEG">
  </div>

  <div class="profile-text">
    <h3>Januaria Teresinha</h3>

    <div class="profile-description">
      as a Student Data Science in Institut Teknologi Sains Bandung
    </div>

    <div class="profile-info-row">
      <p class="profile-info-item">
        <b>Mentored by:</b> <span class="mentor-name">Mr. Bakti Siregar M.Sc.,CDS</span>
      </p>
    </div>
    </div>
    
    
</div>
')

Januaria Teresinha

as a Student Data Science in Institut Teknologi Sains Bandung

Mentored by: Mr. Bakti Siregar M.Sc.,CDS

1 Apa tujuan utama dari penelitian ilmu Data Scince dan Pemrograman?

1.1 Tujuan utama studi dalam program Data Science dan Pemrograman

adalah membekali mahasiswa dengan kemampuan untuk mengumpulkan, membersihkan, mengolah, dan menganalisis data secara sistematis dan efektif. Melalui proses tersebut, mahasiswa dapat menghasilkan informasi yang akurat, relevan, dan dapat dipercaya untuk mendukung pengambilan keputusan yang tepat.

Program ini tidak hanya berfokus pada penguasaan teori, tetapi juga pada pengembangan keterampilan praktis. Mahasiswa dilatih untuk menguasai pemrograman, memahami konsep statistik dan analisis data, serta menggunakan berbagai alat dan teknologi analisis data modern yang banyak diterapkan di dunia industri.

Dengan kompetensi tersebut, mahasiswa mampu mengidentifikasi pola, tren, serta insight yang tersembunyi di dalam data. Kemampuan ini sangat penting dalam berbagai bidang, seperti menganalisis perilaku konsumen untuk menentukan strategi pemasaran yang efektif, memprediksi kebutuhan energi berdasarkan data historis, hingga mengevaluasi dan meningkatkan performa suatu sistem digital.

Selain itu, pembelajaran Data Science juga melatih kemampuan berpikir kritis, logis, dan sistematis dalam menyelesaikan masalah. Dengan demikian, lulusan program ini tidak hanya memahami konsep secara teoritis, tetapi juga mampu mengaplikasikan ilmu Data Science dan Pemrograman untuk memecahkan permasalahan nyata di dunia profesional serta beradaptasi dengan perkembangan teknologi yang terus berubah.

2 Mengapa kita mempelajari hal ini?

Kita belajar tentang Data Science dan Pemrograman karena data ada di mana-mana, dan memahami data memungkinkan kita membuat keputusan yang lebih baik, memecahkan masalah nyata, dan menciptakan solusi inovatif. Secara khusus:

1). Untuk menganalisis dan memahami data: Belajar cara mengumpulkan, membersihkan, dan menginterpretasikan data membantu kita menemukan pola, tren, dan insight yang sebelumnya tersembunyi

2).Untuk membuat keputusan yang tepat: Bisnis, pemerintah, dan organisasi mengandalkan keputusan berbasis data, bukan sekadar tebakan. Memahami data science memungkinkan kita berkontribusi secara bermakna dalam pengambilan keputusan tersebut.

3).Untuk menguasai keterampilan teknis: Pemrograman, analisis statistik, dan penggunaan berbagai alat data modern merupakan keterampilan yang sangat dibutuhkan di dunia kerja saat ini.

4).Untuk memecahkan masalah nyata: Mulai dari memprediksi perilaku konsumen, meningkatkan layanan kesehatan, hingga mengoptimalkan transportasi, data science membekali kita untuk menghadapi tantangan praktis secara efektif.

5). Untuk tetap kompetitif: Seiring dunia menjadi semakin digital dan berbasis data, belajar data science memastikan kita siap menghadapi karier dan inovasi di masa depan.

3 Topik apa saja yang harus kita jelaskan?

Untuk menjadi ahli di bidang Data Science dan Pemrograman, ada beberapa alat dan teknologi penting yang perlu dikuasai:

Bahasa Pemrograman:

1). Python – paling populer untuk analisis data, machine learning, dan visualisasi.

2). R – sangat baik untuk statistik dan analisis data kompleks

3).Database dan SQL: Menguasai SQL untuk mengambil, mengelola, dan memanipulasi data dari database.

4). Machine Learning & AI Tools: Scikit-learn, TensorFlow, PyTorch – untuk membangun model prediksi dan AI.

4 Jelaskan bidang minat atau pengetahuan yang kamu minati dalam Data Science.

Dalam bidang Data Science, terdapat beberapa domain yang penting dan menarik untuk dipelajari karena memiliki peran besar dalam perkembangan teknologi dan dunia industri saat ini.

Analisis Bisnis (Business Analytics): Analisis Bisnis berfokus pada pemanfaatan data untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Melalui proses analisis, data digunakan untuk memahami perilaku konsumen, mengidentifikasi tren pasar, serta mengevaluasi kinerja produk atau layanan. Dengan pendekatan ini, keputusan yang diambil menjadi lebih akurat dan berbasis fakta, bukan hanya berdasarkan perkiraan.

Kecerdasan Buatan (Artificial Intelligence): dan Machine Learning Bidang ini mempelajari pengembangan sistem yang mampu belajar dari data dan membuat prediksi secara otomatis. Machine Learning memungkinkan komputer mengenali pola dan menghasilkan keputusan tanpa harus diprogram secara rinci untuk setiap kondisi. Penerapannya dapat ditemukan pada sistem rekomendasi, prediksi penjualan, deteksi kecurangan, hingga teknologi pengenalan wajah dan suara.

Big Data dan Cloud Computing: Big Data berkaitan dengan pengelolaan dan pengolahan data dalam jumlah sangat besar, kompleks, dan terus bertambah. Sementara itu, Cloud Computing memungkinkan penyimpanan serta pemrosesan data dilakukan melalui layanan berbasis internet. Kombinasi keduanya membantu organisasi mengolah data secara lebih cepat, efisien, dan fleksibel.

Visualisasi Data (Data Visualization): Visualisasi Data bertujuan menyajikan informasi dalam bentuk grafik, diagram, atau dashboard yang mudah dipahami. Penyajian yang baik membantu pengguna memahami pola, tren, dan perbandingan data secara lebih jelas, sehingga informasi dapat disampaikan dengan efektif kepada berbagai pihak.

Secara keseluruhan, setiap domain dalam Data Science memiliki fungsi yang saling melengkapi. Dengan memahami berbagai bidang tersebut, seseorang dapat mengembangkan kompetensi yang relevan dan mampu menerapkan ilmu Data Science untuk menyelesaikan permasalahan secara sistematis dan profesional.

5 KESIMPULAN

Data Science memiliki berbagai domain penting yang saling berkaitan, seperti Analisis Bisnis, Kecerdasan Buatan dan Machine Learning, Big Data dan Cloud Computing, serta Visualisasi Data. Setiap bidang memiliki peran strategis dalam membantu organisasi mengelola, menganalisis, dan memanfaatkan data secara efektif.

Dengan mempelajari domain-domain tersebut, seseorang tidak hanya memahami konsep teoritis, tetapi juga mampu menerapkan keterampilan teknis dan analitis untuk memecahkan permasalahan nyata. Oleh karena itu, penguasaan Data Science menjadi sangat relevan dan penting dalam menghadapi perkembangan teknologi dan kebutuhan dunia kerja yang semakin berbasis data.

---
title: "TUGAS PERTAMA"       # Main title of the document
subtitle: "exercize week-2"  # Subtitle or topic for week 4
author: 
- "Januaria Teresinha"       # Replace with your full name
date:  "`r format(Sys.Date(), '%B %d, %Y')`" # Auto displays the current date
output:                         # Output section defines the format and layout 
  rmdformats::readthedown:      # https://github.com/juba/rmdformats
    self_contained: true        # Embeds all resources (CSS, JS, images) 
    thumbnails: true            # Displays image thumbnails in the doc
    lightbox: true              # Enables click to enlarge images
    gallery: true               # Groups images into an interactive gallery
    number_sections: true       # Automatically numbers all sections
    lib_dir: libs               # Directory where JavaScript/CSS libraries
    df_print: "paged"           # Displays data frames as interactive paged 
    code_folding: "show"        # Allows folding/unfolding R code blocks 
    code_download: yes          # Adds a button to download all R code
    css::Style.css:
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```                                                         
<body>
<style>
}
.profile-card {
  display: flex;
  align-items: center;
  gap: 25px;
  padding: 25px;
  border-radius: 20px;
  background: linear-gradient(135deg, #ffe6ef, #fad7e8, #ffeef7);
  box-shadow: 0 6px 20px rgba(255, 182, 193, 0.3);
  max-width: 900px;
  margin: 20px auto;
}

.profile-card img {
  width: 180px;
  border-radius: 50%;
  border: 4px solid white;
  box-shadow: 0 0 12px rgba(0,0,0,0.25);
}

.profile-text h3 {
  font-size: 30px;
  font-weight: 900;
  margin-bottom: 6px;
  color: #8B1E41;
  text-align: left;
}

.profile-description {
  font-size: 14px;
  font-weight: 700;
  font-style: italic;
  color: #4a4a4a;
  margin-bottom: 18px;
  text-align: left;
}

.profile-info-row {
  display: flex;
  
  gap: 25px;
  flex-wrap: wrap;
}

.profile-info-item b {
  font-weight: 700;
}

.profile-info-item .mentor-name {
  font-size: 15px;
  font-weight: 700;
  font-style: italic;
}  
</style>

```{r}
library(htmltools)

HTML('
<div class="profile-card">

  <div>
    <img src="JANA.JPEG">
  </div>

  <div class="profile-text">
    <h3>Januaria Teresinha</h3>

    <div class="profile-description">
      as a Student Data Science in Institut Teknologi Sains Bandung
    </div>

    <div class="profile-info-row">
      <p class="profile-info-item">
        <b>Mentored by:</b> <span class="mentor-name">Mr. Bakti Siregar M.Sc.,CDS</span>
      </p>
    </div>
    </div>
    
    
</div>
')
```

## Apa tujuan utama dari penelitian ilmu Data Scince dan Pemrograman?


### Tujuan utama studi dalam program Data Science dan Pemrograman

 adalah membekali mahasiswa dengan kemampuan untuk mengumpulkan, membersihkan, mengolah, dan menganalisis data secara sistematis dan efektif. Melalui proses tersebut, mahasiswa dapat menghasilkan informasi yang akurat, relevan, dan dapat dipercaya untuk mendukung pengambilan keputusan yang tepat.

Program ini tidak hanya berfokus pada penguasaan teori, tetapi juga pada pengembangan keterampilan praktis. Mahasiswa dilatih untuk menguasai pemrograman, memahami konsep statistik dan analisis data, serta menggunakan berbagai alat dan teknologi analisis data modern yang banyak diterapkan di dunia industri.

Dengan kompetensi tersebut, mahasiswa mampu mengidentifikasi pola, tren, serta insight yang tersembunyi di dalam data. Kemampuan ini sangat penting dalam berbagai bidang, seperti menganalisis perilaku konsumen untuk menentukan strategi pemasaran yang efektif, memprediksi kebutuhan energi berdasarkan data historis, hingga mengevaluasi dan meningkatkan performa suatu sistem digital.

Selain itu, pembelajaran Data Science juga melatih kemampuan berpikir kritis, logis, dan sistematis dalam menyelesaikan masalah. Dengan demikian, lulusan program ini tidak hanya memahami konsep secara teoritis, tetapi juga mampu mengaplikasikan ilmu Data Science dan Pemrograman untuk memecahkan permasalahan nyata di dunia profesional serta beradaptasi dengan perkembangan teknologi yang terus berubah.



## Mengapa kita mempelajari hal ini?

Kita belajar tentang Data Science dan Pemrograman karena data ada di mana-mana, dan memahami data memungkinkan kita membuat keputusan yang lebih baik, memecahkan masalah nyata, dan menciptakan solusi inovatif. Secara khusus:

**1). Untuk menganalisis dan memahami data:**
Belajar cara mengumpulkan, membersihkan, dan menginterpretasikan data membantu kita menemukan pola, tren, dan insight yang sebelumnya tersembunyi


**2).Untuk membuat keputusan yang tepat:**
Bisnis, pemerintah, dan organisasi mengandalkan keputusan berbasis data, bukan sekadar tebakan. Memahami data science memungkinkan kita berkontribusi secara bermakna dalam pengambilan keputusan tersebut.


**3).Untuk menguasai keterampilan teknis:**
Pemrograman, analisis statistik, dan penggunaan berbagai alat data modern merupakan keterampilan yang sangat dibutuhkan di dunia kerja saat ini.


**4).Untuk memecahkan masalah nyata:**
Mulai dari memprediksi perilaku konsumen, meningkatkan layanan kesehatan, hingga mengoptimalkan transportasi, data science membekali kita untuk menghadapi 
tantangan praktis secara efektif.


**5). Untuk tetap kompetitif:**
Seiring dunia menjadi semakin digital dan berbasis data, belajar data science memastikan kita siap menghadapi karier dan inovasi di masa depan.


## Topik apa saja yang harus kita jelaskan?


Untuk menjadi ahli di bidang Data Science dan Pemrograman, ada beberapa alat dan teknologi penting yang perlu dikuasai:

*Bahasa Pemrograman:*

**1). Python – paling populer untuk analisis data, machine learning, dan visualisasi.**


**2). R – sangat baik untuk statistik dan analisis data kompleks**

**3).Database dan SQL:**
Menguasai SQL untuk mengambil, mengelola, dan memanipulasi data dari database.


**4). Machine Learning & AI Tools:**
Scikit-learn, TensorFlow, PyTorch – untuk membangun model prediksi dan AI.


## Jelaskan bidang minat atau pengetahuan yang kamu minati dalam Data Science.


Dalam bidang Data Science, terdapat beberapa domain yang penting dan menarik untuk dipelajari karena memiliki peran besar dalam perkembangan teknologi dan dunia industri saat ini.

**Analisis Bisnis (Business Analytics):**
Analisis Bisnis berfokus pada pemanfaatan data untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Melalui proses analisis, data digunakan untuk memahami perilaku konsumen, mengidentifikasi tren pasar, serta mengevaluasi kinerja produk atau layanan. Dengan pendekatan ini, keputusan yang diambil menjadi lebih akurat dan berbasis fakta, bukan hanya berdasarkan perkiraan.

**Kecerdasan Buatan (Artificial Intelligence)**: 
dan Machine Learning
Bidang ini mempelajari pengembangan sistem yang mampu belajar dari data dan membuat prediksi secara otomatis. Machine Learning memungkinkan komputer mengenali pola dan menghasilkan keputusan tanpa harus diprogram secara rinci untuk setiap kondisi. Penerapannya dapat ditemukan pada sistem rekomendasi, prediksi penjualan, deteksi kecurangan, hingga teknologi pengenalan wajah dan suara.

**Big Data dan Cloud Computing:**
Big Data berkaitan dengan pengelolaan dan pengolahan data dalam jumlah sangat besar, kompleks, dan terus bertambah. Sementara itu, Cloud Computing memungkinkan penyimpanan serta pemrosesan data dilakukan melalui layanan berbasis internet. Kombinasi keduanya membantu organisasi mengolah data secara lebih cepat, efisien, dan fleksibel.

**Visualisasi Data (Data Visualization):**
Visualisasi Data bertujuan menyajikan informasi dalam bentuk grafik, diagram, atau dashboard yang mudah dipahami. Penyajian yang baik membantu pengguna memahami pola, tren, dan perbandingan data secara lebih jelas, sehingga informasi dapat disampaikan dengan efektif kepada berbagai pihak.

Secara keseluruhan, setiap domain dalam Data Science memiliki fungsi yang saling melengkapi. Dengan memahami berbagai bidang tersebut, seseorang dapat mengembangkan kompetensi yang relevan dan mampu menerapkan ilmu Data Science untuk menyelesaikan permasalahan secara sistematis dan profesional.


## KESIMPULAN

 Data Science memiliki berbagai domain penting yang saling berkaitan, seperti Analisis Bisnis, Kecerdasan Buatan dan Machine Learning, Big Data dan Cloud Computing, serta Visualisasi Data. Setiap bidang memiliki peran strategis dalam membantu organisasi mengelola, menganalisis, dan memanfaatkan data secara efektif.

Dengan mempelajari domain-domain tersebut, seseorang tidak hanya memahami konsep teoritis, tetapi juga mampu menerapkan keterampilan teknis dan analitis untuk memecahkan permasalahan nyata. Oleh karena itu, penguasaan Data Science menjadi sangat relevan dan penting dalam menghadapi perkembangan teknologi dan kebutuhan dunia kerja yang semakin berbasis data.
