BD032
Predictive Time Intelligence
Predictive Time Intelligence berfokus pada analisis deret waktu untuk peramalan dan pengambilan keputusan berbasis waktu. Mata kuliah ini mencakup model statistik dan machine learning untuk data temporal. Mahasiswa mempelajari pola musiman, tren, dan ketidakpastian dalam data waktu. Aplikasi meliputi peramalan permintaan, keuangan, dan sistem operasional berbasis prediksi.
Referensi: Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.
Dukungan ke profil lulusan
Skor = jumlah bobot CPL BD032 yang dipetakan ke profil tersebut. Garis putus = ambang 75% yang dipakai untuk rekomendasi centang PL di LKPS 2.B.1.
CPMK
Bobot CPMK = porsi CPMK dalam penilaian mata kuliah; sel berwarna = bobot CPL di dalam CPMK.
| CPMK | Rumusan | Bobot | CPL01 | CPL02 | CPL03 | CPL04 | CPL05 | CPL06 | CPL07 | CPL08 |
|---|---|---|---|---|---|---|---|---|---|---|
| CPMKBD03211 | Mampu bertanggung jawab dalam proses eksplorasi data dan penerapan model analitik secara mandiri sesuai tujuan analisis. | 20% | 10 | 30 | 25 | 15 | 20 | |||
| CPMKBD03222 | Menguasai konsep teoretis analisis waktu dan metode prediksi berbasis data time series secara prosedural. | 20% | 10 | 25 | 30 | 15 | 20 | |||
| CPMKBD03233 | Mampu menganalisis kebutuhan analisis data runtun waktu untuk menghasilkan spesifikasi sistem prediksi yang tepat. | 20% | 10 | 25 | 30 | 15 | 20 | |||
| CPMKBD03244 | Mampu merancang sistem prediksi berbasis data runtun waktu sesuai kebutuhan analisis pengguna. | 20% | 10 | 20 | 35 | 15 | 20 | |||
| CPMKBD03275 | Mampu berkolaborasi dalam tim analisis data runtun waktu serta berkontribusi dalam penyelesaian masalah prediktif. | 20% | 10 | 20 | 35 | 15 | 20 |