Jasa Skripsi Tesis Disertasi Python ~ Optimasi Hyperparameter Model Machine Learning Menggunakan Grid Search dan Random Search

Berikut adalah silabus lengkap 20 sesi x 1,5 jam untuk topik:
“Optimasi Hyperparameter Model Machine Learning Menggunakan Grid Search dan Random Search”
Topik ini berfokus pada teknik tuning model machine learning menggunakan Python (scikit-learn, dll), termasuk penerapan Grid Search dan Random Search, serta evaluasi performa model.

Tujuan Umum:

Peserta memahami konsep hyperparameter tuning dan mampu mengoptimasi performa model ML dengan Grid Search dan Random Search menggunakan Python secara praktis dan analitis.

️ Silabus 20 Sesi (Total ±30 Jam)

Modul 1: Dasar-Dasar Machine Learning (Sesi 1–4)

Sesi 1: Pengenalan Machine Learning & Workflow-nya

• Supervised vs Unsupervised Learning

• Model training, testing, dan evaluasi

• Tools yang digunakan: Python, scikit-learn

Sesi 2: Dataset & Preprocessing

• Dataset UCI, sklearn.datasets, ds publik

• Handling missing values, encoding, scaling

• Hands-on: preprocessing dengan Pipeline di scikit-learn

Sesi 3: Model Klasifikasi dan Regresi

• Decision Tree, Random Forest, Logistic Regression

• Contoh penggunaan awal tanpa tuning

Sesi 4: Evaluasi Model

• Metrics: accuracy, precision, recall, F1-score, ROC-AUC

• Confusion Matrix dan interpretasi hasil

Modul 2: Hyperparameter dan Overfitting (Sesi 5–7)

Sesi 5: Apa Itu Hyperparameter?

• Perbedaan parameter dan hyperparameter

• Contoh hyperparameter: max_depth, n_estimators, C, kernel

Sesi 6: Overfitting vs Underfitting

• Bias-variance trade-off

• Learning curves

• Hands-on visualisasi overfit/underfit

Sesi 7: Teknik Validasi Model

• Train/test split vs k-fold cross validation

• Stratified k-fold

• Hands-on: cross_val_score, GridSearchCV

Modul 3: Grid Search (Sesi 8–12)

Sesi 8: Pengenalan Grid Search

• Cara kerja Grid Search

• Kapan cocok digunakan

Sesi 9: Implementasi Grid Search

• GridSearchCV pada SVM dan Random Forest

• Hands-on: tuning SVM (kernel, C, gamma)

Sesi 10: Meningkatkan Efisiensi Grid Search

• Gunakan Pipeline dan Preprocessing

• Kombinasi dengan feature scaling

• Hands-on: GridSearch + pipeline

Sesi 11: Analisis Hasil Grid Search

• Akses best_params, best_score

• Interpretasi hasil tuning

Sesi 12: Studi Kasus 1 – Tuning Model Kredit Skor

• Dataset pinjaman/kredit

• Implementasi pipeline + GridSearch

• Analisis performa model

Modul 4: Random Search (Sesi 13–16)

Sesi 13: Konsep Random Search

• Bedanya dengan Grid Search

• Kelebihan dan kekurangan

Sesi 14: Implementasi RandomizedSearchCV

• Contoh parameter distribusi

• Hands-on: tuning RandomForest

Sesi 15: Evaluasi Waktu dan Akurasi

• Perbandingan waktu: Grid vs Random Search

• Visualisasi hasil tuning

Sesi 16: Studi Kasus 2 – Prediksi Penyakit Diabetes

• Dataset diabetes

• Tuning dengan RandomizedSearchCV

• Bandingkan dengan GridSearch

Modul 5: Advanced & Integrasi (Sesi 17–20)

Sesi 17: Kombinasi Tuning & Feature Selection

• SelectKBest + GridSearch

• Hands-on: kombinasi preprocessing + tuning

Sesi 18: Tuning pada Model Boosting (XGBoost, LightGBM)

• Parameter penting XGBoost

• Tuning early_stopping, learning_rate, n_estimators

Sesi 19: Studi Kasus 3 – Prediksi Customer Churn

• Dataset telekomunikasi

• End-to-end pipeline dengan tuning

Sesi 20: Evaluasi Akhir dan Best Practice

• Tips dan strategi real-world tuning

• Dokumentasi dan pelaporan hasil tuning

Tools dan Library

• Python

• Scikit-learn

• Pandas, Numpy

• Matplotlib / Seaborn

• XGBoost (opsional)