Berikut silabus 20 sesi × 1,5 jam untuk topik: “Prediksi Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree dengan Python”
Sesi 1: Pendahuluan Data Science & Proyek Prediksi
Menjelaskan konsep dasar data science, supervised learning, dan bagaimana algoritma digunakan untuk prediksi kelulusan mahasiswa.
Sesi 2: Pengenalan Python untuk Data Science
Pengenalan dasar Python: variabel, tipe data, fungsi, dan instalasi pustaka penting seperti pandas , numpy , dan matplotlib .
Sesi 3: Import Dataset dan Eksplorasi Data Awal
Mengimpor dataset mahasiswa (dalam format CSV atau Excel), melihat struktur data, dan mengenali fitur-fitur yang tersedia.
Sesi 4: Data Cleaning
Membersihkan data dari nilai kosong (missing values), data duplikat, dan outlier. Normalisasi awal data dilakukan jika diperlukan.
Sesi 5: Visualisasi Data dan EDA (Exploratory Data Analysis)
Menggunakan matplotlib dan seaborn untuk membuat grafik, diagram batang, boxplot, dan heatmap guna memahami pola hubungan antar fitur.
Sesi 6: Feature Engineering
Mengolah fitur seperti konversi nilai kategorik menjadi numerik (menggunakan LabelEncoder atau OneHotEncoder), serta membuat fitur baru yang relevan.
Sesi 7: Train-Test Split dan Normalisasi Data
Membagi data menjadi training dan testing set menggunakan train_test_split . Penjelasan pentingnya membedakan data latih dan data uji.
Sesi 8: Pengenalan Decision Tree
Teori tentang Decision Tree, cara kerja pemisahan node, konsep entropy, information gain, dan gini index.
Sesi 9: Implementasi Decision Tree
Membangun model Decision Tree pertama menggunakan scikit-learn dan melatih model pada data mahasiswa.
Sesi 10: Evaluasi Model – Akurasi dan Confusion Matrix
Menggunakan metrik evaluasi seperti accuracy, precision, recall, F1-score, dan confusion matrix untuk menilai performa model.
Sesi 11: Visualisasi Struktur Pohon Keputusan
Menampilkan struktur Decision Tree menggunakan plot_tree dan graphviz agar lebih mudah dipahami.
Sesi 12: Hyperparameter Tuning
Mengatur parameter penting seperti max_depth , min_samples_split , criterion , untuk meningkatkan performa model.



