Kursus Data Science: Evaluasi Model Ensembel Stacking Bagging Boosting untuk Klasifikasi Medis

Berikut adalah silabus 20 sesi (masing-masing 1,5 jam) untuk topik: “Evaluasi Model Ensembel (Stacking, Bagging, Boosting) untuk Klasifikasi Medis menggunakan Python.”

Tujuan Umum:

Peserta memahami dan mampu membangun serta mengevaluasi model klasifikasi medis berbasis teknik ensembel (Bagging, Boosting, Stacking) menggunakan Python.

️ Silabus Per Sesi (20 x 1,5 Jam)

Tahap 1: Dasar Teori & Pemahaman Dataset Medis (Sesi 1–5)

• Sesi 1 – Pengenalan Data Science & Klasifikasi Medis Apa itu klasifikasi medis

• Peran machine learning dalam diagnosis

• Studi kasus: Diabetes, kanker, serangan jantung

• Sesi 2 – Pemahaman Dataset Medis Dataset populer: Pima Diabetes, Breast Cancer, Heart Disease

• Exploratory Data Analysis (EDA)

• Statistik deskriptif

• Sesi 3 – Preprocessing Data Medis Penanganan missing value

• Normalisasi & encoding

• Pembagian data (train/test)

• Sesi 4 – Evaluasi Model Klasifikasi Accuracy, Precision, Recall, F1-score

• Confusion Matrix

• ROC Curve & AUC

• Sesi 5 – Model Klasifikasi Dasar Logistic Regression, Decision Tree, KNN

• Evaluasi awal terhadap dataset medis

Tahap 2: Teknik Ensembel – Bagging & Boosting (Sesi 6–12)

• Sesi 6 – Konsep Ensemble Learning Apa itu ensembel

• Mengapa ensembel lebih kuat dari model tunggal

• Sesi 7 – Bagging dan Random Forest Konsep bagging

• Implementasi Random Forest

• Evaluasi dengan confusion matrix dan ROC

• Sesi 8 – Hyperparameter Tuning pada Random Forest GridSearchCV, RandomizedSearchCV

• Analisis performa model setelah tuning

• Sesi 9 – Konsep Boosting Perbedaan Boosting vs Bagging