Kursus Skripsi Tesis Disertasi Data Science ~ Klasifikasi Penyakit Diabetes Menggunakan Support Vector Machine (SVM)

Berikut adalah silabus lengkap 20 sesi (masing-masing 1,5 jam) untuk topik:

📘 “Klasifikasi Penyakit Diabetes Menggunakan Support Vector Machine (SVM) dengan Python”

Silabus ini mencakup teori, praktik Python, evaluasi model, dan pembuatan laporan ilmiah untuk keperluan skripsi/tesis.

🔶 FASE 1: Pengenalan dan Dasar Teori (Sesi 1–5)

🧩 Sesi 1: Pengantar Data Science dan Machine Learning

• Definisi Data Science

• Perbedaan supervised dan unsupervised learning

• Aplikasi dalam bidang medis

🧩 Sesi 2: Pengenalan Dataset Diabetes

• Dataset PIMA Indian Diabetes

• Deskripsi fitur (Glucose, BMI, Age, Insulin, Outcome, dll.)

• Tools: Pandas, Jupyter Notebook

🧩 Sesi 3: Pra-Pemrosesan Data I (Data Cleaning)

• Handling missing values

• Data types dan summary statistik

• Teknik imputation

🧩 Sesi 4: Pra-Pemrosesan Data II (Feature Engineering)

• Normalisasi dan standardisasi data

• Skewness dan distribusi data

• Korelasi antar fitur

🧩 Sesi 5: Teori Support Vector Machine (SVM)

• Konsep margin, hyperplane, dan support vectors

• Kernel function: linear, RBF, polynomial

• Kelebihan dan kelemahan SVM

🔶 FASE 2: Implementasi SVM (Sesi 6–10)

🧪 Sesi 6: Implementasi SVM Dasar dengan Scikit-Learn

• Import dataset

• Split data (train-test)

• SVM classifier dasar (LinearSVC/SVC)

🧪 Sesi 7: Evaluasi Model Awal

• Confusion matrix

• Accuracy, Precision, Recall, F1-Score

• Visualisasi evaluasi

🧪 Sesi 8: Eksplorasi Kernel SVM

• Perbandingan linear, RBF, dan polynomial

• Visualisasi decision boundary (jika memungkinkan)

🧪 Sesi 9: Hyperparameter Tuning dengan GridSearchCV

• Penjelasan C, gamma, kernel

• Grid search dan cross-validation

• Interpretasi hasil

🧪 Sesi 10: Validasi Model

• Cross-validation (k-fold)

• Overfitting vs underfitting

• Plot learning curve

🔶 FASE 3: Eksperimen dan Perbandingan (Sesi 11–15)

🔬 Sesi 11: Penanganan Data Tak Seimbang

• Masalah pada dataset tak seimbang

• Teknik SMOTE (Synthetic Minority Oversampling Technique)

🔬 Sesi 12: Perbandingan dengan Algoritma Lain

• Decision Tree dan Logistic Regression

• Evaluasi hasil vs SVM

🔬 Sesi 13: Feature Selection

• Recursive Feature Elimination (RFE)

• Feature importance

🔬 Sesi 14: Integrasi Pipeline ML

• StandardScaler + SVM dalam pipeline

• Sklearn Pipeline & cross_val_score

🔬 Sesi 15: Simulasi Penggunaan Model

• Input manual: prediksi apakah pasien menderita diabetes

• Implementasi sederhana GUI dengan Streamlit (opsional)

🔶 FASE 4: Dokumentasi, Penulisan, dan Presentasi (Sesi 16–20)

📄 Sesi 16: Penyusunan Laporan Ilmiah

• Format penulisan laporan/skripsi

• Bab 1–3: Pendahuluan, Tinjauan Pustaka, dan Metodologi

📄 Sesi 17: Penulisan Hasil dan Pembahasan

• Menyusun Bab 4 (Hasil eksperimen)

• Pembahasan hasil evaluasi model

📄 Sesi 18: Penulisan Kesimpulan dan Saran

• Bab 5: Kesimpulan akhir dan potensi pengembangan

📄 Sesi 19: Pembuatan Visualisasi Hasil

• Matplotlib, Seaborn, Plotly

• Confusion matrix heatmap, ROC Curve

🎓 Sesi 20: Simulasi Presentasi Skripsi

• Presentasi 15 menit + tanya jawab

• Tips menjawab dosen penguji

📌 Tools yang Digunakan:

• Python (Jupyter Notebook / Google Colab)

• Scikit-Learn

• Pandas, Numpy

• Seaborn, Matplotlib

• Streamlit (opsional, untuk presentasi interaktif)