Kursus Skripsi Tesis Disertasi Data Analisis ~ “Data Analysis Bootcamp: Master Data Science Skills”

Berikut silabus 20 sesi “Data Analysis Bootcamp: Master Data Science Skills” yang dirancang agar peserta menguasai keterampilan inti data science, mulai dari dasar hingga level implementasi proyek.

Silabus 20 Sesi – Data Analysis Bootcamp

Level 1 – Fundamental Skills (Sesi 1–5)

Sesi 1: Pengenalan Data Science dan Alur Kerja Analisis Data

• Konsep data science, data analysis, dan machine learning

• Tools utama (Python, Jupyter Notebook, Pandas, NumPy, Matplotlib)

• Struktur umum proyek data science

Sesi 2: Dasar Python untuk Data Analysis

• Variabel, tipe data, operasi dasar

• Struktur kontrol (if, for, while)

• Fungsi dan modul

Sesi 3: Manipulasi Data dengan NumPy

• Array dan operasi vektor/matriks

• Indexing, slicing, reshaping

• Operasi matematis dan agregasi

Sesi 4: Manipulasi Data dengan Pandas (Part 1)

• DataFrame & Series

• Import & export data (CSV, Excel, SQL)

• Seleksi, filter, dan transformasi data

Sesi 5: Manipulasi Data dengan Pandas (Part 2)

• GroupBy & agregasi

• Merge, join, dan concat dataset

• Handling missing values & data cleaning

Level 2 – Data Visualization & EDA (Sesi 6–10)

Sesi 6: Visualisasi Data dengan Matplotlib

• Plot dasar (line, bar, scatter, histogram)

• Customisasi grafik (label, warna, grid)

Sesi 7: Visualisasi Data dengan Seaborn

• Plot statistik (boxplot, violin plot, heatmap)

• Palet warna & style

• Visualisasi hubungan antar variabel

Sesi 8: Exploratory Data Analysis (EDA)

• Statistik deskriptif & distribusi data

• Identifikasi pola & outlier

• Korelasi antar variabel

Sesi 9: Data Wrangling Lanjutan

• Feature engineering dasar

• Encoding kategori & scaling numerik

• Deteksi & penanganan data duplikat

Sesi 10: Studi Kasus EDA

• Analisis dataset publik (mis. dataset penjualan, kesehatan, atau transportasi)

• Presentasi insight awal dari data

Level 3 – Statistik & Machine Learning Dasar (Sesi 11–15)

Sesi 11: Dasar Statistik untuk Data Science

• Mean, median, mode, variansi, standar deviasi

• Distribusi probabilitas (normal, binomial, poisson)

• Konsep sampling & central limit theorem

Sesi 12: Inferential Statistics

• Hipotesis & uji statistik (t-test, chi-square)

• P-value & confidence interval

Sesi 13: Machine Learning Dasar

• Supervised vs unsupervised learning

• Train-test split & cross validation

• Metrik evaluasi model

Sesi 14: Regresi Linear

• Konsep regresi

• Implementasi regresi linear dengan Scikit-learn

• Interpretasi koefisien model

Sesi 15: Klasifikasi Dasar

• Logistic regression

• Decision tree classifier

• Evaluasi model klasifikasi (confusion matrix, precision, recall, F1-score)

Level 4 – Advanced Analysis & Final Project (Sesi 16–20)

Sesi 16: Clustering & Unsupervised Learning

• K-Means clustering

• Hierarchical clustering

• Analisis segmentasi data

Sesi 17: Time Series Analysis

• Dasar data deret waktu

• Visualisasi tren, musiman, dan siklus

• Forecasting sederhana (ARIMA)

Sesi 18: Automasi Analisis Data

• Automasi pembersihan data

• Automasi pembuatan laporan visualisasi

• Integrasi analisis dengan Excel/Google Sheets

Sesi 19: Data Storytelling & Dashboard

• Prinsip storytelling data

• Membuat dashboard dengan Plotly/Dash atau Power BI

• Menyampaikan insight yang actionable

Sesi 20: Final Project – Analisis Data End-to-End

• Pemilihan dataset

• Proses lengkap: import, cleaning, EDA, model, visualisasi

• Presentasi hasil di depan peserta lain