Berikut adalah silabus lengkap untuk 20 sesi @1,5 jam (total 30 jam) dengan topik: “Model Prediksi Churn Pelanggan Menggunakan XGBoost dan SHAP Value”, menggunakan Python sebagai platform utama.
Silabus 20 Sesi – Prediksi Churn dengan XGBoost dan SHAP (Python)
Tahap 1: Pengenalan & Persiapan Data (Sesi 1–5)
Sesi 1 – Pengenalan Data Science dan Studi Kasus Churn
-
Apa itu churn?
-
Studi kasus: Telco customer churn
-
Overview algoritma XGBoost dan SHAP
-
Instalasi tools: Python, Jupyter Notebook, scikit-learn, xgboost, shap
Sesi 2 – Eksplorasi Dataset Churn
-
Memahami dataset Telco atau dataset serupa
-
Memuat data dengan pandas
-
Menampilkan informasi dasar dataset
Sesi 3 – Pembersihan Data (Data Cleaning)
-
Menangani nilai kosong (NaN)
-
Encoding kategori (OneHot, LabelEncoder)
-
Identifikasi dan penanganan data duplikat
Sesi 4 – Analisis Data Eksploratif (EDA)
-
Distribusi churn dan fitur-fitur penting
-
Korelasi antar fitur
-
Visualisasi dengan seaborn dan matplotlib
Sesi 5 – Feature Engineering
-
Transformasi fitur: binning, log, scaling
-
Seleksi fitur penting
-
Membagi data: train-test split
Tahap 2: Penerapan XGBoost (Sesi 6–11)
Sesi 6 – Pengantar XGBoost dan Instalasi
-
Konsep boosting vs bagging
-
Parameter dasar XGBoost
-
Instalasi dan contoh dasar
Sesi 7 – Training Model XGBoost



