Kursus Skripsi Tesis Disertasi Data Science ~ “Prediksi Harga Rumah Menggunakan Regresi Linier dan Random Forest dalam Python”

Berikut adalah silabus 20 sesi (masing-masing berdurasi 1,5 jam) untuk topik “Prediksi Harga Rumah Menggunakan Regresi Linier dan Random Forest dalam Python”. Silabus ini mencakup pemahaman teori, praktik Python, pemodelan, evaluasi, dan implementasi:

🧠 Silabus 20 Sesi @1,5 Jam

Judul: Prediksi Harga Rumah Menggunakan Regresi Linier dan Random Forest dalam Python

🔹 Tahap 1: Pengantar dan Dasar-Dasar Python (Sesi 1–4)

Sesi 1: Pengenalan Data Science dan Proyek Prediksi Harga Rumah

• Apa itu Data Science dan aplikasinya

• Studi kasus prediksi harga rumah

• Tools yang digunakan: Jupyter Notebook, Pandas, scikit-learn

Sesi 2: Review Dasar Python untuk Data Science

• Tipe data, list, dictionary, loop, dan fungsi

• Penanganan file dan folder (OS, glob)

Sesi 3: Numpy dan Pandas untuk Analisis Data

• Operasi array dengan NumPy

• Pengolahan data tabular dengan Pandas

• Import data CSV rumah dari Kaggle

Sesi 4: Visualisasi Data dengan Matplotlib dan Seaborn

• Plot dasar, histogram, boxplot, heatmap

• Korelasi antar fitur

• Visualisasi outlier dan distribusi harga rumah

🔹 Tahap 2: Eksplorasi dan Persiapan Data (Sesi 5–7)

Sesi 5: Eksplorasi Fitur dan Statistik Deskriptif

• Statistik ringkasan

• Identifikasi fitur penting: numerik dan kategorik

• Missing value dan distribusi data

Sesi 6: Pembersihan Data (Data Cleaning)

• Mengatasi nilai kosong (imputation)

• Menghapus fitur yang tidak relevan

• Penanganan outlier

Sesi 7: Feature Engineering dan Encoding

• Normalisasi dan Standardisasi

• One-hot encoding dan Label encoding

• Transformasi log dan scaling fitur

🔹 Tahap 3: Pemodelan Regresi Linier (Sesi 8–10)

Sesi 8: Dasar-Dasar Regresi Linier

• Konsep regresi linier

• Formula matematis dan asumsi dasar

• Kelebihan dan kekurangan

Sesi 9: Implementasi Regresi Linier dengan scikit-learn

• Membagi data: train-test split

• Fitting model dan prediksi harga

• Visualisasi hasil prediksi vs aktual

Sesi 10: Evaluasi Model Regresi Linier

• MAE, MSE, RMSE, R²

• K-fold cross-validation

• Interpretasi koefisien regresi

🔹 Tahap 4: Pemodelan Random Forest (Sesi 11–13)

Sesi 11: Teori Random Forest Regression

• Konsep decision tree dan ensemble

• Overfitting dan generalisasi

• Parameter penting (n_estimators, max_depth, dll.)

Sesi 12: Implementasi Random Forest Regression

• Membandingkan dengan model regresi linier

• Hyperparameter tuning dasar

• Visualisasi hasil prediksi

Sesi 13: Evaluasi Model Random Forest

• MAE, RMSE, dan R² dibandingkan

• Feature importance dan interpretasi

• Cross-validation pada Random Forest

🔹 Tahap 5: Optimasi dan Perbandingan Model (Sesi 14–16)

Sesi 14: Hyperparameter Tuning dengan GridSearchCV

• Teknik grid search dan random search

• Mencari parameter optimal

• Visualisasi performa model

Sesi 15: Perbandingan Regresi Linier vs Random Forest

• Matrix evaluasi head-to-head

• Kelebihan dan kekurangan masing-masing

• Kapan memakai model sederhana atau kompleks

Sesi 16: Penyimpanan dan Load Model dengan Pickle/Joblib

• Simpan model hasil training

• Load model untuk prediksi baru

• Praktik mini-deployment di local Python

🔹 Tahap 6: Studi Kasus dan Final Project (Sesi 17–20)

Sesi 17: Studi Kasus Harga Rumah Dataset Lain (Boston/Ames)

• Uji model dengan dataset eksternal

• Transfer dan penyesuaian preprocessing

Sesi 18: Interpretasi dan Visualisasi Hasil Prediksi

• Plot harga aktual vs prediksi

• Error analysis (under/over estimation)

Sesi 19: Pembuatan Laporan Proyek (Code + Analisis)

• Struktur laporan Data Science

• Penulisan insight dan kesimpulan

• Dokumentasi kode Python dan notebook

Sesi 20: Presentasi Proyek Akhir & Diskusi

• Presentasi hasil proyek prediksi harga rumah

• Feedback & revisi

• Evaluasi keseluruhan