Berikut adalah silabus “Analisis Kinerja Algoritma Machine Learning untuk Prediksi Penyakit Diabetes”:
Sesi 1-5: Pengantar dan Persiapan Data
-
Sesi 1: Pengantar Machine Learning untuk Prediksi Penyakit Definisi dan konsep dasar machine learning.
-
Aplikasi machine learning dalam prediksi penyakit.
-
Tujuan dan pentingnya analisis prediksi diabetes.
-
Sesi 2: Pengenalan Dataset Diabetes Memahami dataset diabetes (misalnya, Pima Indian Diabetes Dataset).
-
Deskripsi variabel dan target prediksi.
-
Pembersihan data dan penanganan missing values.
-
Sesi 3: Exploratory Data Analysis (EDA) Analisis deskriptif data.
-
Visualisasi data untuk pemahaman distribusi.
-
Analisis korelasi antar variabel.
-
Sesi 4: Pemrosesan Data dan Feature Engineering Normalisasi dan standarisasi data.
-
Teknik feature selection dan feature extraction.
-
Penanganan data kategori.
-
Sesi 5: Pembagian Data untuk Pelatihan dan Pengujian Membagi data menjadi set pelatihan dan set pengujian.
-
Teknik cross-validation untuk evaluasi model.
Sesi 6-10: Implementasi Algoritma Machine Learning
-
Sesi 6: Regresi Logistik Teori dasar regresi logistik.
-
Implementasi regresi logistik untuk prediksi diabetes.
-
Evaluasi kinerja model menggunakan metrik akurasi.
-
Sesi 7: K-Nearest Neighbors (KNN) Teori dasar KNN dan parameter tuning.
-
Implementasi KNN untuk prediksi diabetes.
-
Evaluasi kinerja model dengan confusion matrix.
-
Sesi 8: Decision Tree Teori dasar decision tree.
-
Implementasi decision tree untuk prediksi diabetes.
-
Analisis overfitting dan pemangkasan pohon (pruning).
-
Sesi 9: Random Forest Konsep ensemble learning dan random forest.
