Berikut adalah silabus lengkap 20 sesi x 1,5 jam untuk topik: “Optimasi Hyperparameter Model Machine Learning Menggunakan Grid Search dan Random Search” Topik ini berfokus pada teknik tuning model machine learning menggunakan Python (scikit-learn, dll), termasuk penerapan Grid Search dan Random Search, serta evaluasi performa model.
Tujuan Umum:
Peserta memahami konsep hyperparameter tuning dan mampu mengoptimasi performa model ML dengan Grid Search dan Random Search menggunakan Python secara praktis dan analitis.
️ Silabus 20 Sesi (Total ±30 Jam)
Modul 1: Dasar-Dasar Machine Learning (Sesi 1–4)
Sesi 1: Pengenalan Machine Learning & Workflow-nya
-
Supervised vs Unsupervised Learning
-
Model training, testing, dan evaluasi
-
Tools yang digunakan: Python, scikit-learn
Sesi 2: Dataset & Preprocessing
-
Dataset UCI, sklearn.datasets, ds publik
-
Handling missing values, encoding, scaling
-
Hands-on: preprocessing dengan Pipeline di scikit-learn
Sesi 3: Model Klasifikasi dan Regresi
-
Decision Tree, Random Forest, Logistic Regression
-
Contoh penggunaan awal tanpa tuning
Sesi 4: Evaluasi Model
-
Metrics: accuracy, precision, recall, F1-score, ROC-AUC
-
Confusion Matrix dan interpretasi hasil
Modul 2: Hyperparameter dan Overfitting (Sesi 5–7)
Sesi 5: Apa Itu Hyperparameter?
-
Perbedaan parameter dan hyperparameter
-
Contoh hyperparameter: max_depth, n_estimators, C, kernel
Sesi 6: Overfitting vs Underfitting
-
Bias-variance trade-off
-
Learning curves
-
Hands-on visualisasi overfit/underfit
