Kursus Data Science: Penerapan PCA (Principal Component Analysis) untuk Reduksi Dimensi Data Kesehatan

Berikut adalah silabus lengkap 20 sesi @1,5 jam untuk topik:

“Penerapan PCA (Principal Component Analysis) untuk Reduksi Dimensi Data Kesehatan” Cocok untuk skripsi, pelatihan, atau pembelajaran mandiri berbasis Python dan dataset kesehatan.

Tujuan Umum:

Memahami konsep dan implementasi Principal Component Analysis (PCA) untuk reduksi dimensi dalam data kesehatan, serta mengintegrasikan hasil PCA dalam analisis lebih lanjut seperti klasifikasi, visualisasi, atau diagnosis.

Silabus 20 Sesi (masing-masing 1,5 jam)

Sesi 1 – Pengenalan Data Science di Bidang Kesehatan

• Apa itu data science?

• Peran data science dalam bidang kesehatan

• Contoh kasus nyata: prediksi penyakit, klasifikasi hasil lab

Sesi 2 – Konsep Dasar Reduksi Dimensi

• Pengertian dimensi dan curse of dimensionality

• Mengapa reduksi dimensi penting?

• Teknik reduksi dimensi: PCA vs LDA vs Autoencoder (overview)

Sesi 3 – Pengenalan PCA

• Konsep statistik PCA (varians, kovarians)

• Apa yang dilakukan PCA pada data?

• Studi kasus sederhana (2D visualisasi PCA)

Sesi 4 – Instalasi dan Persiapan Tools

• Instalasi Python, Jupyter, Pandas, Scikit-learn, Matplotlib

• Review dasar-dasar Python (opsional untuk peserta baru)

• Setup dataset kesehatan (misalnya: dataset diabetes, kanker, jantung)

Sesi 5 – Pembersihan dan Eksplorasi Data Kesehatan

• Memahami dataset: fitur, target, outlier

• Data wrangling: missing value, encoding

• Statistik deskriptif dan visualisasi awal

Sesi 6 – Korelasi dan Multikolinearitas

• Apa itu korelasi antar fitur?