Kursus Skripsi Tesis Disertasi Python ~ “Analisis Pola Perilaku Pengguna Media Sosial dengan DBSCAN Berbasis Python”

Berikut silabus 20 sesi @ 1,5 jam untuk 
“Analisis Pola Perilaku Pengguna Media Sosial dengan DBSCAN Berbasis Python”
— lengkap dari teori, persiapan data, implementasi, evaluasi, hingga visualisasi hasil.

Level: Intermediate → Advanced

Sesi 1 – Pengenalan Proyek dan Konsep Clustering

• Latar belakang & urgensi analisis perilaku pengguna media sosial

• Konsep dasar Unsupervised Learning

• Perbandingan Clustering: K-Means, Hierarchical, DBSCAN

• Studi kasus yang akan digunakan

Sesi 2 – Teori Dasar DBSCAN

• Konsep Density-Based Spatial Clustering

• Parameter utama: eps dan min_samples

• Kelebihan & kelemahan DBSCAN

• Contoh visualisasi konsep core point, border point, noise

Sesi 3 – Persiapan Lingkungan Python

• Instalasi Python dan Anaconda

• Instalasi library: numpy, pandas, scikit-learn, matplotlib, seaborn, nltk

• Pengaturan working directory

Sesi 4 – Pengenalan Dataset Media Sosial

• Sumber dataset (Twitter API, Facebook Graph API, atau dataset publik)

• Struktur data: kolom user, teks, waktu, interaksi (like, share, comment)

• Penyusunan skema penyimpanan data

Sesi 5 – Pengambilan Data Media Sosial

• Menggunakan Twitter API dengan tweepy

• Filter data berdasarkan kata kunci & waktu

• Penyimpanan data ke CSV/JSON

Sesi 6 – Pembersihan Data Awal

• Menghapus data duplikat

• Menghapus akun bot/spam

• Normalisasi kolom waktu dan zona waktu

Sesi 7 – Text Preprocessing

• Tokenization

• Lowercasing

• Stopwords Removal

• Stemming/Lemmatization

Sesi 8 – Representasi Data

• Mengubah teks menjadi vektor: TF-IDF

• Normalisasi nilai numerik (jumlah like, share, comment)

• Penggabungan fitur teks & interaksi

Sesi 9 – Exploratory Data Analysis (EDA)

• Distribusi jumlah posting per pengguna

• Analisis frekuensi kata

• Analisis jam aktif pengguna

• Visualisasi dengan matplotlib dan seaborn

Sesi 10 – Teori & Pemilihan Parameter DBSCAN

• Eksperimen mencari eps dengan k-distance graph

• Penentuan min_samples berdasarkan densitas data

• Dampak perubahan parameter terhadap hasil cluster

Sesi 11 – Implementasi DBSCAN

• Menggunakan sklearn.cluster.DBSCAN

• Menjalankan DBSCAN pada dataset perilaku pengguna

• Menyimpan hasil cluster ke dataset

Sesi 12 – Analisis Hasil Clustering

• Mengidentifikasi core cluster

• Menghitung proporsi noise points

• Menemukan pola perilaku dari tiap cluster

Sesi 13 – Visualisasi Clustering

• Scatter plot hasil DBSCAN

• Dimensionality reduction dengan PCA/T-SNE

• Pewarnaan cluster untuk interpretasi visual

Sesi 14 – Evaluasi Model Clustering

• Silhouette score untuk DBSCAN

• Davies–Bouldin index

• Interpretasi skor dan validasi hasil

Sesi 15 – Analisis Pola Perilaku

• Segmentasi berdasarkan waktu aktivitas

• Pola interaksi (engagement rate)

• Pola minat berdasarkan kata kunci dominan

Sesi 16 – Integrasi dengan Dashboard

• Membuat dashboard sederhana dengan Plotly Dash

• Visualisasi interaktif hasil cluster

Sesi 17 – Deteksi Outlier & Anomali

• Menggunakan cluster noise untuk mendeteksi perilaku abnormal

• Studi kasus: deteksi akun spam/troll

Sesi 18 – Optimasi Pipeline

• Pipeline preprocessing → feature extraction → DBSCAN

• Menyimpan model dengan joblib

• Automation untuk analisis berkala

Sesi 19 – Studi Kasus Lengkap

• Menjalankan seluruh pipeline dari pengambilan data → analisis → visualisasi

• Dokumentasi hasil & insight

Sesi 20 – Presentasi & Laporan Akhir

• Penyusunan laporan skripsi

• Penyajian visualisasi hasil

• Rekomendasi berdasarkan hasil clustering