Jasa Skripsi Tesis Disertasi Machine Learning | Implementasi Algoritma Random Forest untuk Prediksi Penyakit Berdasarkan Data Rekam Medis Elektronik

Berikut adalah silabus 20 sesi @1,5 jam untuk topik:
“Implementasi Algoritma Random Forest untuk Prediksi Penyakit Berdasarkan Data Rekam Medis Elektronik”

Tahap 1: Pengantar dan Persiapan Data (Sesi 1–5)

Sesi 1:

• Pengantar Data Mining & Machine Learning

• Definisi dan Manfaat Prediksi Penyakit dari Rekam Medis Elektronik (RME)

• Studi Kasus: Aplikasi nyata prediksi penyakit

Sesi 2:

• Pengenalan struktur data RME

• Format umum (CSV, SQL, JSON)

• Data yang digunakan: Diagnosa, gejala, hasil lab, demografi

Sesi 3:

• Eksplorasi data RME menggunakan Python (Pandas, NumPy)

• Data loading dan deskripsi statistik

Sesi 4:

• Data preprocessing

  • Missing values, outlier detection

  • Encoding data kategorikal (Label Encoding, One-Hot Encoding)

Sesi 5:

• Feature engineering dan seleksi fitur

• Korelasi antar fitur, visualisasi data (matplotlib, seaborn)

Tahap 2: Implementasi Random Forest (Sesi 6–10)

Sesi 6:

• Teori dasar Random Forest

• Perbandingan dengan Decision Tree

Sesi 7:

• Implementasi Random Forest dengan Scikit-Learn

• Training dan evaluasi model awal

Sesi 8:

• Evaluasi model: Confusion Matrix, Accuracy, Precision, Recall, F1-Score

Sesi 9:

• Hyperparameter tuning (GridSearchCV, RandomizedSearchCV)

• Analisis performa

Sesi 10:

• Validasi model dengan Cross-Validation

• Model saving/loading (joblib/pickle)

Tahap 3: Proyek Mini dan Visualisasi (Sesi 11–15)

Sesi 11:

• Proyek mini: Prediksi penyakit jantung dari RME

• Studi dataset (contoh: UCI Heart Disease Dataset)

Sesi 12:

• Pipeline Scikit-Learn untuk integrasi preprocessing + training

Sesi 13:

• Feature importance dari Random Forest

• Visualisasi fitur dominan dalam prediksi penyakit

Sesi 14:

• Visualisasi hasil prediksi dan performa

  • ROC Curve, Precision-Recall Curve

Sesi 15:

• Interpretasi model Random Forest dengan SHAP / LIME

Tahap 4: Evaluasi Lanjutan dan Integrasi (Sesi 16–20)

Sesi 16:

• Generalisasi model ke dataset penyakit lain (misal diabetes)

• Transfer learning konsep sederhana (jika sesuai)

Sesi 17:

• Membuat dashboard prediksi sederhana dengan Streamlit

Sesi 18:

• Integrasi model dengan data real-time (simulasi RME streaming)

Sesi 19:

• Evaluasi akhir proyek

• Membuat laporan analitik (PDF/Notebook)

Sesi 20:

• Presentasi Proyek Akhir:

  • Penjelasan workflow

  • Hasil prediksi

  • Tantangan dan solusi