Kursus Skripsi Tesis Disertasi Data Science ~ Model Prediksi Churn Pelanggan Menggunakan XGBoost dan SHAP Value

Berikut adalah silabus lengkap untuk 20 sesi @1,5 jam (total 30 jam) dengan topik:
“Model Prediksi Churn Pelanggan Menggunakan XGBoost dan SHAP Value”, menggunakan Python sebagai platform utama.

Silabus 20 Sesi – Prediksi Churn dengan XGBoost dan SHAP (Python)

Tahap 1: Pengenalan & Persiapan Data (Sesi 1–5)

Sesi 1 – Pengenalan Data Science dan Studi Kasus Churn

• Apa itu churn?

• Studi kasus: Telco customer churn

• Overview algoritma XGBoost dan SHAP

• Instalasi tools: Python, Jupyter Notebook, scikit-learn, xgboost, shap

Sesi 2 – Eksplorasi Dataset Churn

• Memahami dataset Telco atau dataset serupa

• Memuat data dengan pandas

• Menampilkan informasi dasar dataset

Sesi 3 – Pembersihan Data (Data Cleaning)

• Menangani nilai kosong (NaN)

• Encoding kategori (OneHot, LabelEncoder)

• Identifikasi dan penanganan data duplikat

Sesi 4 – Analisis Data Eksploratif (EDA)

• Distribusi churn dan fitur-fitur penting

• Korelasi antar fitur

• Visualisasi dengan seaborn dan matplotlib

Sesi 5 – Feature Engineering

• Transformasi fitur: binning, log, scaling

• Seleksi fitur penting

• Membagi data: train-test split

Tahap 2: Penerapan XGBoost (Sesi 6–11)

Sesi 6 – Pengantar XGBoost dan Instalasi

• Konsep boosting vs bagging

• Parameter dasar XGBoost

• Instalasi dan contoh dasar

Sesi 7 – Training Model XGBoost

• Implementasi model awal

• Validasi awal (accuracy, confusion matrix)

Sesi 8 – Evaluasi Model dengan Metode Klasik

• Precision, recall, f1-score, ROC AUC

• Confusion matrix visual

• Cross-validation

Sesi 9 – Hyperparameter Tuning

• Manual tuning vs GridSearchCV vs RandomizedSearchCV

• Evaluasi hasil tuning

Sesi 10 – Penanganan Data Tak Seimbang (Imbalanced Data)

• Analisis distribusi target

• Oversampling (SMOTE), undersampling

• Parameter scale_pos_weight di XGBoost

Sesi 11 – Finalisasi Model XGBoost

• Training model akhir

• Simpan model dengan joblib/pickle

• Uji model ke data baru

Tahap 3: Interpretabilitas Model dengan SHAP (Sesi 12–17)

Sesi 12 – Pengenalan Explainable AI dan SHAP

• Kenapa model perlu dijelaskan?

• Perbandingan SHAP vs LIME

• Instalasi SHAP library

Sesi 13 – Penggunaan SHAP untuk XGBoost

• Integrasi SHAP dengan XGBoost

• Kalkulasi SHAP values

Sesi 14 – Visualisasi SHAP Global

• Summary plot

• Feature importance plot

• Dependence plot

Sesi 15 – Visualisasi SHAP Lokal

• Force plot (individu pelanggan)

• Decision plot

• Waterfall plot

Sesi 16 – Analisis Kasus: Pelanggan Tertentu

• Studi kasus: Kenapa pelanggan ini akan churn?

• Narasi bisnis berbasis SHAP

Sesi 17 – Integrasi SHAP dalam Laporan Bisnis

• Membuat dashboard interpretasi

• Komunikasi hasil ke tim non-teknis

Tahap 4: Deployment dan Penutup (Sesi 18–20)

Sesi 18 – Penerapan Model dalam Aplikasi Sederhana

• Menyimpan model

• Menggunakan model untuk prediksi baru

Sesi 19 – Dasar Deployment (Opsional)

• Deploy sederhana pakai Streamlit/Flask

• Antarmuka input pengguna

Sesi 20 – Presentasi Proyek Akhir

• Laporan analisis dan interpretasi

• Presentasi hasil prediksi dan visualisasi SHAP

• Diskusi kekuatan dan keterbatasan model