1. Pengenalan & Ringkasan Eksekutif
Kertas kerja ini membentangkan satu inovasi pedagogi untuk pengajaran perlombongan data dalam program Sistem Maklumat dan Perniagaan. Dengan menyedari bahawa bidang ini padat secara konsep dan cair secara teknologi, penulis mengadvokasi satu pendekatan berasaskan alatan yang memanfaatkan perisian yang mudah diakses untuk menjelaskan algoritma kompleks. Tesis terasnya ialah dengan menggunakan Add-in Perlombongan Data Microsoft Excel sebagai antara muka, disambungkan kepada sistem belakang yang teguh seperti SQL Server 2008 dan platform pengkomputeran awan, pendidik boleh mengalihkan peranan pelajar daripada pengatur cara algoritma peringkat rendah kepada penganalisis perisikan perniagaan bernilai tinggi.
Kaedah ini membolehkan kursus satu semester memberikan liputan komprehensif konsep perlombongan data—termasuk perkaitan, pengelasan, pengelompokan, dan ramalan—sambil memberi pelajar pengalaman praktikal dan amali dalam pembinaan model, pengujian, dan penilaian untuk sokongan keputusan.
2. Kerangka Pedagogi & Metodologi Teras
Pendekatan ini dibina atas satu anjakan pedagogi yang jelas: teori abstrak mesti berakar pada penggunaan alatan praktikal untuk menjadi berkesan bagi pelajar perniagaan.
2.1 Falsafah Berasaskan Alatan
Penulis berhujah bahawa mewajibkan pelajar mengatur cara algoritma dari awal mencipta halangan yang tidak perlu. Sebaliknya, kursus ini memberi tumpuan kepada:
- Kefahaman Konseptual: Memahami tujuan, andaian, dan output algoritma seperti Pokok Keputusan, Naïve Bayes, dan Pengelompokan.
- Kemahiran Alatan: Belajar mengkonfigurasi, melaksanakan, dan mentafsir hasil menggunakan alatan yang relevan dengan industri (Add-in Excel).
- Terjemahan Analitikal: Merapatkan jurang antara output model dan wawasan perniagaan yang boleh ditindak.
2.2 Rangkaian Teknologi: Excel, SQL Server, Awan
Rangkaian yang dilaksanakan mencipta persekitaran pembelajaran yang boleh skala dan mudah diakses:
- Antara muka (Add-in Excel): Menyediakan antara muka yang biasa untuk penyediaan data, pemilihan model, dan visualisasi. Ia mengabstrakkan kerumitan sambil mendedahkan parameter utama.
- Sistem belakang (SQL Server 2008 BI Suite): Mengendalikan beban pengiraan berat pelaksanaan algoritma pada set data yang berpotensi besar.
- Platform (Pengkomputeran Awan): Menghapuskan kekangan infrastruktur tempatan, membolehkan pelajar mengakses sumber pengkomputeran berkuasa mengikut permintaan, mencerminkan amalan BI moden.
3. Pelaksanaan Kursus & Hasil Pembelajaran Pelajar
3.1 Struktur Kurikulum & Komponen Amali
Kursus ini distrukturkan mengikut kitaran teori, demonstrasi, dan aplikasi:
- Kuliah: Memperkenalkan logik algoritma dan kes penggunaan perniagaan (cth., analisis bakul pasaran dengan Peraturan Perkaitan).
- Demonstrasi Langsung: Pengajar menggunakan rangkaian alatan untuk membina dan menilai model pada data sampel.
- Tugasan Rumah: Pelajar meniru proses tersebut pada set data yang disediakan, melaraskan parameter dan mentafsir hasil.
- Projek Capstone: Pelajar mencari atau diberi set data berorientasikan perniagaan (cth., keciciran pelanggan, ramalan jualan) untuk mentakrifkan masalah, menggunakan teknik perlombongan yang sesuai, dan membentangkan wawasan.
3.2 Hasil Pembelajaran yang Diukur
Kertas kerja ini melaporkan metrik kejayaan kualitatif. Pelajar berkembang melalui tiga kecekapan teras:
Transformasi Peranan Pelajar
Daripada: Pengatur cara yang memberi tumpuan kepada sintaks pelaksanaan algoritma.
Kepada: Penganalisis yang memberi tumpuan kepada takrifan masalah perniagaan, pemilihan model, dan penjanaan wawasan.
Secara khusus, pelajar belajar untuk: (1) melaksanakan analisis dan penyediaan data asas, (2) mengkonfigurasi enjin pengkomputeran untuk membina, menguji, dan membandingkan pelbagai model perlombongan, dan (3) menggunakan model yang disahkan untuk meramal hasil dan menyokong keputusan.
4. Analisis Teknikal & Kerangka
4.1 Algoritma Perlombongan Data Teras yang Diliputi
Kursus ini meliputi algoritma asas, setiap satu dipetakan kepada soalan perniagaan:
- Pengelasan (Pokok Keputusan, Naïve Bayes): "Adakah pelanggan ini akan cicir?"
- Pengelompokan (K-Means): "Bagaimanakah kita boleh mengelompokkan asas pelanggan kita?"
- Peraturan Perkaitan (Apriori): "Apakah produk yang kerap dibeli bersama?"
- Peramalan (Siri Masa): "Apakah jualan kita pada suku tahun hadapan?"
4.2 Asas Matematik
Walaupun alatan mengabstrakkan pelaksanaan, memahami matematik teras kekal penting. Sebagai contoh, pengelas Naïve Bayes berasaskan Teorem Bayes:
$P(A|B) = \frac{P(B|A) \, P(A)}{P(B)}$
Di mana, dalam contoh pengesanan spam, $A$ mewakili kelas ("spam" atau "bukan spam") dan $B$ mewakili ciri (perkataan dalam e-mel). Andaian "naïve" ialah kebebasan bersyarat ciri. Begitu juga, fungsi objektif pengelompokan K-Means, yang dioptimumkan oleh alatan, ialah:
$J = \sum_{i=1}^{k} \sum_{\mathbf{x} \in S_i} \|\mathbf{x} - \mathbf{\mu}_i\|^2$
di mana $k$ ialah bilangan kelompok, $S_i$ ialah titik data dalam kelompok $i$, dan $\mathbf{\mu}_i$ ialah sentroid kelompok $i$.
5. Analisis Kritikal & Perspektif Industri
Wawasan Teras: Kertas kerja Jafar bukan sekadar panduan pengajaran; ia adalah cetusan strategik untuk menutup jurang yang membebankan antara teori sains data akademik dan realiti didorong alatan di tempat kerja perisikan perniagaan (BI) moden. Inovasi sebenar ialah mengenali bahawa bagi pelajar jurusan perniagaan, nilai bukanlah dalam membina enjin, tetapi dalam memandunya dengan pakar ke destinasi (satu keputusan).
Aliran Logik: Hujah ini pragmatik secara meyakinkan. Bidang ini dalam keadaan berubah (benar), pengaturcaraan adalah halangan (benar untuk khalayak ini), dan Excel ada di mana-mana (tidak dapat dinafikan). Oleh itu, memanfaatkan Excel sebagai pintu masuk kepada platform BI lanjutan dan awan adalah laluan yang logik dan rendah geseran kepada kecekapan. Ia mencerminkan anjakan industri sendiri daripada penyelesaian berkod tersuai kepada platform bersepadu seperti Power BI Microsoft, Tableau, dan perkhidmatan ML awan (AWS SageMaker, Google AI Platform). Seperti yang dihujahkan oleh karya seminal mengenai ML yang mudah diakses, "A Few Useful Things to Know about Machine Learning" (Domingos, 2012), "pengetahuan" sering terletak bukan pada kod algoritma tetapi pada kefahaman terapan tentang bias dan outputnya—tepat apa yang dipupuk oleh kursus ini.
Kekuatan & Kelemahan: Kekuatannya ialah kebijaksanaan praktikalnya. Ia menyelesaikan masalah kurikulum sebenar dan selaras sempurna dengan keperluan industri untuk "penganalisis yang boleh bertanya soalan yang betul kepada alatan yang betul." Walau bagaimanapun, kelemahannya ialah potensinya untuk mencipta kebergantungan "kotak hitam". Pelajar mungkin belajar butang mana yang perlu ditekan untuk pokok keputusan tetapi kekal kabur tentang apa sebenarnya yang diukur oleh entropi atau ketidakmurnian Gini, berisiko salah aplikasi. Ini berbeza dengan pendekatan pedagogi yang lebih mendalam dalam Sains Komputer, seperti yang diterangkan secara terperinci dalam "Data Mining: Concepts and Techniques" (Han, Kamber, Pei, 2011), yang menekankan dalaman algoritma. Tambahan pula, mengikat kurikulum rapat dengan rangkaian vendor tertentu (Microsoft) berisiko menjadi usang dengan cepat, walaupun falsafah terasnya boleh dipindahkan.
Wawasan Boleh Tindak: Bagi pendidik, mandatnya jelas: Pedagogi alat-pertama bukan lagi kompromi; ia adalah keperluan untuk program perniagaan. Reka bentuk kursus harus direplikasi, tetapi dengan penambahan kritikal: 1) Sertakan modul "di bawah hud" wajib menggunakan platform sumber terbuka seperti scikit-learn Python untuk menjelaskan kotak hitam, mengikuti contoh yang ditetapkan oleh kurikulum MOOC yang meluas. 2) Bina kajian kes di sekitar rangka kerja proses CRISP-DM atau KDD yang bebas alatan untuk memastikan ketegasan metodologi melangkaui perisian tertentu. 3) Integrasikan perbincangan etika dan kebolehterangan—topik utama dalam AI/ML moden, seperti yang diketengahkan oleh penyelidikan dari institusi seperti Stanford Institute for Human-Centered AI—kerana alatan mudah digunakan juga boleh memudahkan penghasilan model yang mengelirukan atau berat sebelah.
6. Aplikasi & Hala Tuju Masa Depan
Pendekatan berasaskan alatan mempunyai potensi pengembangan yang ketara:
- Integrasi dengan Platform BI/AI Moden: Kurikulum boleh berkembang daripada Add-in Excel untuk memasukkan modul amali dengan Power BI, Tableau Prep, dan perkhidmatan AutoML awan (cth., Google Cloud AutoML, Azure Machine Learning studio), yang mewakili generasi seterusnya alatan mesra penganalisis.
- Projek Rentas Disiplin: Kerangka kerja ini sesuai untuk kursus rentas fungsi yang mengaitkan pelajar perniagaan dengan rakan pemasaran, kewangan, atau pengurusan rantaian bekalan, menggunakan perlombongan data pada set data jabatan sebenar.
- Tumpuan pada MLOps Ringan: Iterasi masa depan boleh memperkenalkan konsep penyebaran model, pemantauan, dan pengurusan kitaran hayat menggunakan saluran paip yang dipermudahkan, menyediakan pelajar untuk proses operasionalisasi model penuh.
- Penekanan pada AI Beretika & Kebolehterangan (XAI): Memandangkan alatan menjadikan model berkuasa lebih mudah diakses, kurikulum mesti berkembang untuk mengajar pelajar cara mengaudit bias (menggunakan kit alat seperti IBM's AI Fairness 360) dan menerangkan hasil model, satu kemahiran kritikal yang diketengahkan dalam Akta AI EU dan peraturan serupa.
7. Rujukan
- Jafar, M. J. (2010). A Tools-Based Approach to Teaching Data Mining Methods. Journal of Information Technology Education: Innovations in Practice, 9, IIP-1-IIP-9.
- Domingos, P. (2012). A few useful things to know about machine learning. Communications of the ACM, 55(10), 78-87.
- Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.
- Tan, P. N., Steinbach, M., & Kumar, V. (2006). Introduction to Data Mining. Pearson Education.
- Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining (pp. 29-39).
- Stanford Institute for Human-Centered Artificial Intelligence (HAI). (2023). The AI Index Report 2023. Retrieved from https://aiindex.stanford.edu/report/