Laporan Akhir Studi Independen Bersertifikat Intan Sari Nur Ekmah 24050121140178

(1)

LAPORAN AKHIR

MAGANG & STUDI INDEPENDEN BERSERTIFIKAT

Startup Campus - Data Science & Artificial Intelligence Studi Independen

Di Startup Campus (Yayasan Bakti Achmad Zaky)

INTAN SARI NUR EKMAH NIM 24050121140178

Nama Dosen Pendamping Program (DPP) : AKMAL NASUTION, S.Kom, M.Kom

STATISTIKA

UNIVERSITAS DIPONEGORO

2024

(2)

Kata Pengantar

Puji syukur saya panjatkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan rahmat dan hidayah-Nya, sehingga saya dapat menyelesaikan program Studi Independen Bersertifikat Kampus Merdeka - Startup Campus - Data Science & Artificial Intelligence dengan baik. Perjalanan dalam mengikuti program ini hingga selesai tidak terlepas dari berbagai pihak yang memberi kontribusi dari segi moril maupun materiil. Oleh sebab itu, saya ucapkan terima kasih kepada:

1. Kampus Merdeka yang memberikan kesempatan untuk belajar dengan para praktisi melalui programnya.

2. Startup Campus beserta jajarannya yang telah sukses menyelenggarakan program Startup Campus sebagai wadah aktualisasi diri para mahasiswa yang tertarik mengenai dunia digital.

3. Universitas Diponegoro yang telah mengizinkan saya untuk mengikuti program pengembangan skills ini.

4. Subject Matter Expert, Mentor, dan Facilitator yang telah membersamai saya selama berproses dalam meningkatkan pengetahuan, keterampilan, dan nilai dalam diri melalui program ini.

5. Tim Startup Campus - Data Science & Artificial Intelligence dan teman- teman satu angkatan yang terus mendukung selama proses pembelajaran berlangsung.

Dengan selesainya Studi Independen Bersertifikat ini, saya berharap dapat mengembangkan kemampuan saya sehingga benar-benar menjadi “talenta digital - Data Science & Artificial Intelligence” yang berkualitas di masa mendatang.

(3)

Daftar Isi

Kata Pengantar Daftar Isi

I. Gambaran Umum A. Profil Perusahaan B. Deskripsi Kegiatan

1. Posisi 2. Deskripsi 3. Tujuan

4. Lingkup Pembelajaran & Proyek 5. Alur Program

6. Final Project II. Aktivitas Bulanan

A. Sertifikasi Keahlian III. Penutup

A. Kesimpulan B. Saran Referensi Lampiran

(4)

I. Gambaran Umum

A. Profil Perusahaan

Startup Campus (Yayasan Bakti Achmad Zaky) adalah program pelatihan intensif untuk mengembangkan keterampilan digital yang dibutuhkan dengan didukung oleh bimbingan intensif dan proyek nyata. Startup Campus membangun jaringan ahli yang kuat yang terdiri dari praktisi dan akademisi untuk memberi pemahaman mendalam tentang tren industri dan praktik terbaik.

Bagan alur koordinasi dan struktur organisasi dalam pelaksanaan program Startup Campus adalah sebagai berikut.

Gambar I.1 Struktur Organisasi Startup Campus (Yayasan Bakti Achmad Zaky) Setiap unsur dalam struktur organisasi ini bersifat independen dan bergerak sesuai dengan tugas masing-masing secara beriringan. Startup Campus memilih facilitator terbaik dan berpengalaman agar para peserta bisa mendapatkan bimbingan selama masa training. Adapun daftar facilitator Program Data Science & Artificial Intelligence:

1. Shofia Hanifa 2. Khilyatin Ulin Nur 3. Renita Yulistiana

(5)

4. Siska Hamelia 5. Herdini Primasari 6. Yoan Angeline H.

7. Irfiani Triastari

8. Andika Kalvin Simarmata 9. Fajar Shabana Hafiiz 10. Ines Rinera

11. Jasmine Azalia

12. Sarah Gracyntia Juliana 13. Dwi Rahayu

14. Dara Aprita

Kegiatan mentoring Startup Campus diisi oleh para mentor terbaik dan berpengalaman agar para peserta bisa mendapatkan bimbingan dan saran terbaik dalam mempersiapkan diri menjadi the future Data Scientist ataupun AI Engineer.

Adapun daftar mentor yang terlibat pada proses pembelajaran di Startup Campus - Program Data Science & Artificial Intelligence:

1. Ahmad Hilmy - Senior Data Scientist at PT. Strategi Transforma Infiniti 2. Alifvian Marco - Data Analyst at Bangunindo

3. Aries Fitriawan - Head of Data Science Business Solution at Indosat 4. Arjun Prayoga Aji - Data Scientist at Pos Indonesia

5. Azis Muslim - Data Scientist at AiForesee

6. Bachtiyar Muclis Arief - Data Engineer at Bank Mega Syariah 7. Bagus Satya Mas - Data Scientist at Jatis Mobile

8. Sofian Fadli - Senior Data Engineer at Shopee

9. Daniel Lumban Gaol - Internal Audit Data Analyst at PT OCBC NISP 10. Davin Darmalaksana Bhagaspati - Data Scientist at BRI

11. Erwin Fernanda - Machine Learning and Data Engineer at MedcoEnergi 12. Gemala Yanuarita - Data Lead at Kuncie

13. Imanul Jihad - Data Scientist at eFishery 14. Indra Purnama - Freelance Data Consultant

(6)

15. Khinsa Fairuz Zahirah - Data Specialist at The Farmhill

16. Lingga Aji Andika - Data Analyst at the Biggest Telecommunication Company in Indonesia

17. M. Anwar Sanusi - Senior Business Intelligence at Carro 18. M. Haswin Anugrah Pratama - Junior Manager at BRI

19. Nicholas Dominic - Senior Data Scientist at RED Comm Indonesia 20. Nouval Habibie - Senior Data Scientist at Tokopedia

21. Nova Kristian - Data Analyst Audit at OCBC NISP

22. Octgi Ristya Perdana - Cyber Intelligence Analyst (C.I.A) at BRI 23. Putu Rika Sahriana - Data Analyst at Tech in Asia

24. Risnanda Satriatama - Machine Learning Engineer Associate at Telkomsel 25. Shofiyyah Nadhiroh - Ex PwC Indonesia | Graduate Student at Université

libre de Bruxelles

26. Tantut Wahyu Setyoko - Data Scientist at CT Corp (Bank Mega) 27. Wahyu Fadli Satrya - Lecturer at Binus University

28. Wiranda Aditiya Fidin - Md. Machine Vision Engineer at eFishery B. Deskripsi Kegiatan

1. Posisi

Peserta Startup Campus Batch 6 - Data Science & Artificial Intelligence 2. Deskripsi

Startup Campus Batch 6 - Data Science & Artificial Intelligence merupakan Studi Independen Bersertifikat yang diselenggarakan oleh Yayasan Bakti Achmad Zaky dan didukung penuh oleh Kemdikbud Ristekdikti di bawah naungan inisiatif KAMPUS MERDEKA. Batch 6 diselenggarakan dari Februari hingga Juni 2024.

Program ini dirancang sepenuhnya secara daring untuk mempersiapkan talenta digital - Data Science & Artificial Intelligence yang mampu bersaing di era digital.

Ruang lingkup Program meliputi:

●

Pembekalan materi pelatihan secara daring;

●

Pendampingan dengan mentor dan facilitator;

(7)

●

Networking dengan berbagai partner dalam dunia digital;

●

Collaborating dalam menyelesaikan project bersama peserta lain untuk mendapatkan real-life experience.

Fasilitas yang akan diberikan kepada tim peserta meliputi:

●

Kurikulum pembelajaran dirancang oleh pengajar terbaik dalam ekosistem digital;

●

Konversi kredit 20 SKS;

●

Mentorship intensif dengan mentor dari ekosistem digital;

●

Networking dengan pemain penting dalam ekosistem digital;

●

Sertifikat Kompetensi Digital (Data Science & Artificial Intelligence);

●

Learning Management System;

●

Modul dan referensi belajar terbaik; dan

●

Pengalaman berkolaborasi dalam menyelesaikan project bersama.

Tim terpilih akan mendapatkan kurikulum pembelajaran selama program, dengan capaian pembelajaran yang akan dikonversikan ke dalam SKS kurikulum masing-masing kampus asal mahasiswa. Untuk bisa menjalankan program dengan baik, tim peserta akan mendapatkan pembekalan materi dan pendampingan intensif oleh mentor profesional selama program berlangsung.

3. Tujuan

Peserta diharapkan memiliki kompetensi sebagai talenta digital (Data Science & Artificial Intelligence), yang mampu berkolaborasi dan mengerjakan real project sehingga siap berkontribusi dan berkarier di industri digital. Secara lebih rinci, setelah menyelesaikan studi independen, peserta diharapkan mampu:

● mengenal data science secara umum;

● mengaplikasikan bahasa pemrograman SQL dalam mengolah data;

● mengaplikasikan bahasa pemrograman Python sebagai dasar dalam data science;

● memahami konsep statistika sebagai dasar dalam data science;

(8)

● memahami cara mempersiapkan data;

● memproses data mentah menjadi data yang siap digunakan;

● memahami konsep machine learning (supervised dan unsupervised);

● melakukan berbagai model machine learning dalam menyelesaikan suatu masalah;

● mengevaluasi model dari machine learning dengan metode yang sesuai;

● memahami cara memvisualisasikan dan menyampaikan hasil olah data;

● membuat dashboard interaktif hasil analisis data;

● memahami konsep, terminologi, dan domain utama Artificial Intelligence (AI);

● menentukan aplikasi AI yang menarik;

● menganalisis dan mengevaluasi inovasi dan masa depan AI di berbagai industri;

● menerapkan AI sesuai etika dengan bertanggungjawab.

● menyelesaikan permasalahan bisnis menggunakan pemodelan kuantitatif, teknik analisis data, atau model artificial intelligence;

● mengkomunikasikan hasil analisis, model artificial intelligence, atau mempresentasikan hasil visualisasi data dengan efektif.

4. Lingkup Pembelajaran & Proyek

Selama menjalani program ini, peserta menyelesaikan beberapa tugas berdasarkan materi-materi yang diberikan melalui Learning Management System (LMS). Tugas ini terdiri dari tugas individu dan tugas tim. Lingkup pembelajaran dan proyek meliputi:

● Introduction to Data Science; SQL Foundation; Basic Python Foundation;

Advanced Python Foundation; Statistics for Data Science.

● Data Preparation: Transforming, Cleansing, Merging, etc; Exploratory Data Analysis (EDA); Feature Engineering.

(9)

● Introduction to Machine Learning; Unsupervised Learning - Clustering;

Supervised Learning - Regression; Supervised Learning - Classification:

Decision Trees, Random Forest, Support Vector Machine; Time Series Forecasting; Cross Validation & Learning Curves; Model Optimization:

Hyperparameter Tuning & Bootstrapping; Metric Evaluation.

● Data Visualization: Working with BI Tools; Data Storytelling and Communication.

● Introduction to Artificial Intelligence; Deep Learning (CNN, RNN) and NLP; Introduction to Reinforcement Learning and Recommendation System; Introduction to LLM and Practical Transformers; Introduction to Generative AI.

● Final Project and Showcase 5. Alur Program

Alur program secara umum dijalankan melalui beberapa acuan di bawah ini.

a. Kompetensi Inti

Terdapat beberapa kompetensi inti yang ingin dicapai dan dikembangkan mencakup:

1. Communication: Assertive (capable of providing feedback and delivering own thoughts), public speaking.

2. Problem solving: Critical thinker, thinks things through, open-minded, strategic, tactical.

3. Social Intelligence: Approachability, helpfulness, courtesy, and empathy.

4. Creativity: Original & adaptive, clever, sess and does things in different ways.

b. Proses Induksi

1. Pengenalan program, alur program, hasil yang diharapkan, serta skema penilaian bagi peserta.

2. Pengenalan terhadap mentor profesional yang akan mendampingi para peserta selama program berjalan.

(10)

c. Sistem Pembelajaran

Sistem pembelajaran di Program Data Science & Artificial Intelligence terdiri atas:

1. Pembelajaran asinkronus: Peserta wajib mempersiapkan pembelajaran mandiri dengan memproses seluruh materi yang diberikan melalui video, bahan bacaan, tugas, serta referensi lainnya sebelum pembelajaran sinkronus. Materi dapat diakses melalui Learning Management System (LMS).

2. Pembelajaran sinkronus: Peserta akan mengikuti pembelajaran aktif melalui kelas sinkronous dengan para expert di bidangnya berbentuk seminar, diskusi, dan lain sebagainya. Selain itu, peserta akan mengerjakan project kolaborasi dengan peserta lain untuk memecahkan suatu masalah pada 2 bulan terakhir dengan didampingi para mentor.

d. Sistem Penilaian

Proses penilaian mahasiswa dilaksanakan oleh seluruh pihak termasuk mentor, dan sesama peserta (peer to peer evaluation). Penilaian mahasiswa dilakukan melalui beberapa metode:

1. Tugas Individu (Belajar Mandiri & Kuis)

Peserta diberikan buku dan referensi belajar melalui e-book, artikel, case study, video, dan sebagainya. Sebelum mengikuti kelas sinkronus, peserta wajib membaca referensi yang sudah diberikan, lebih lanjut, terdapat kuis untuk menguji pemahaman peserta.

2. Keaktifan selama Proses Pembelajaran

Pembelajaran sinkronus adalah sesi interaktif berdurasi 2-3 jam dengan expert speaker yang merupakan ahli atau praktisi bidang Data Science & Artificial Intelligence. Pada sesi ini, peserta akan melakukan diskusi, problem solving, simulasi, presentasi, serta

(11)

aktivitas lainnya yang mendorong peserta aktif selama sesi tersebut.

Selama proses live session, para expert akan melihat keaktifan dan pemahaman materi mahasiswa.

3. Mentorship

Selama program, tiap tim akan mendapatkan mentorship dari mentor penanggung jawab dan facilitator. Mentor penanggung jawab akan berdedikasi penuh dalam pengembangan dari sisi akademis dan praktikal peserta dari awal hingga akhir program.

Facilitator adalah pembimbing yang bertanggung jawab untuk memastikan peserta mengikuti pembelajaran dengan maksimal.

Peran facilitator termasuk membantu peserta merancang jadwal belajar mingguan, mengingatkan tugas dan proyek yang harus dikerjakan, mengingatkan jadwal kelas, dan kegiatan lainnya.

4. Proyek Tim (Final Project)

Peserta akan mengerjakan berbagai proyek tim yang bertujuan untuk mengasah kemampuan softskill maupun hardskill.

Peserta akan mengerjakan proyek akhir dengan kompetensi Data Science & Artificial Intelligence dan berkolaborasi dengan peserta studi independen lainnya. Proyek tim ini diharapkan akan memberikan kondisi real di industri. Peserta dibebaskan untuk menginisiasi proyek yang ingin dikerjakan sesuai dataset dan batasan yang diberikan. Proyek harus memiliki nilai bisnis.

5. Showcase

Masing-masing tim akan mempresentasikan proyek final tim yang telah disusun di depan para juri. Tim terbaik akan dipilih untuk mendapatkan sertifikat dan hadiah sebagai bentuk apresiasi.

e. Pembelajaran Sesuai Kurikulum

Peserta mendapatkan kurikulum pembelajaran selama program, dengan capaian pembelajaran yang akan dikonversikan ke dalam SKS

(12)

kurikulum masing-masing kampus asal mahasiswa. Tiap peserta juga akan mendapatkan pendampingan intensif dari para mentor profesional selama program berlangsung.

Berikut adalah kurikulum Program Data Science & Artificial Intelligence.

1. Foundation for Data Science Targeted Skill Level

Mahasiswa mampu mengenal data science secara umum;

mampu mengaplikasikan bahasa pemrograman SQL dalam mengolah data; mampu mengaplikasikan bahasa pemrograman Python sebagai dasar dalam data science; mampu memahami konsep statistika sebagai dasar dalam data science.

Learning Details

Di chapter Foundation for Data Science, peserta akan belajar materi-materi dasar terkait pilar sebagai seorang data scientist.

Adapun detail materi pembelajaran mencakup subchapter sebagai berikut.

● Introduction to Data Science

● SQL Foundation

● Basic Python Foundation

● Advanced Python Foundation

● Statistics for Data Science

Chapter ini akan berisi teori dan hands on yang dilakukan dengan Google Colaboratory dan Google BigQuery.

Chapter ini dilengkapi dengan pembelajaran asinkronus melalui modul, learning video, quiz, exercise, dan referensi pembelajaran lain di Learning Management System yaitu Edu Startup Campus.

Pembelajaran sinkronus dilakukan melalui pemaparan materi, diskusi, dan tanya jawab pada sesi studium generale,

(13)

mandatory mentoring, dan adhoc mentoring. Pemahaman materi didukung juga oleh sesi 'belajar bareng' bersama 'study buddy'.

Proses pembelajaran diperkaya dengan assignment untuk mengasah kemampuan analisis dan evaluasi mengenai materi dasar- dasar sebagai data scientist menggunakan Python dan SQL.

Learning Duration 135 hours

Learning Resources

Modul dan exercise dari Startup Campus, learning video dan kuis yang disusun oleh learning designer Startup Campus, studium generale, video referensi dari Youtube Startup Campus, dan referensi lainnya yang dapat diakses melalui Learning Management System.

Assessment Method

Tugas individu dan/atau kelompok, keaktifan, kuis 2. Data Preprocessing

Targeted Skill Level

Mahasiswa mampu memahami cara mempersiapkan data;

mampu memproses data mentah menjadi data yang siap digunakan.

Di chapter Data Preprocessing, peserta akan belajar terkait materi persiapan dalam mengolah data mentah hingga menjadi data yang kaya akan fitur-fitur yang bermanfaat. Adapun detail materi pembelajaran mencakup subchapter sebagai berikut.

● Data Preparation: Transforming, Cleansing, Merging, etc

● Exploratory Data Analysis (EDA)

● Feature Engineering

Chapter ini akan berisi teori dan hands on yang dilakukan dengan Google Colaboratory.

(14)

Pembelajaran sinkronus dilakukan melalui pemaparan materi, diskusi, dan tanya jawab pada sesi studium generale, mandatory mentoring, dan adhoc mentoring. Pemahaman materi didukung juga oleh sesi 'belajar bareng' bersama 'study buddy'.

Proses pembelajaran diperkaya dengan assignment untuk mengasah kemampuan analisis dan evaluasi mengenai pengolahan data.

Tugas individu dan/atau kelompok, keaktifan, kuis 3. Machine Learning

Mahasiswa mampu memahami konsep machine learning (supervised dan unsupervised) serta mampu melakukan berbagai model machine learning dalam menyelesaikan suatu masalah.

Diharapkan pula mampu mengevaluasi model dari machine learning dengan metode yang sesuai.

(15)

Di chapter Machine Learning, peserta akan belajar berbagai macam model dan algoritma machine learning untuk mengolah data dan sebagai dasar untuk artificial intelligence. Peserta juga akan mempelajari cara mengevaluasi model machine learning yang sudah dibuat. Adapun detail materi pembelajaran mencakup subchapter sebagai berikut.

● Introduction to Machine Learning

● Unsupervised Learning - Clustering

● Supervised Learning - Regression

● Supervised Learning - Classification: Decision Trees, Random Forest, Support Vector Machine

● Time Series Forecasting

● Cross Validation & Learning Curves

● Model Optimization: Hyperparameter Tuning &

Bootstrapping

● Metric Evaluation

Proses pembelajaran diperkaya dengan assignment untuk mengasah kemampuan terkait analisis, evaluasi, dan kemampuan menciptakan serta memodifikasi berbagai model machine learning untuk menyelesaikan permasalahan yang ada.

Learning Duration

(16)

180 hours

Tugas individu dan/atau kelompok, keaktifan, kuis 4. Data Visualization

Mahasiswa mampu memahami cara memvisualisasikan dan menyampaikan hasil olah data; mampu membuat dashboard interaktif hasil analisis data.

Di chapter Data Visualization, peserta akan belajar materi visualisasi data menggunakan BI Tools, seperti Looker Studio dan Tableau beserta cara menyampaikan hasil visualisasi yang baik.

Adapun detail materi pembelajaran mencakup subchapter sebagai berikut.

● Data Visualization: Working with BI Tools based on Gestalt Principle

● Data Storytelling and Communication

Chapter ini akan berisi teori dan hands on yang dilakukan dengan Google Colaboratory, Looker Studio, dan Tableau.

(17)

Proses pembelajaran diperkaya dengan assignment untuk mengasah kemampuan analisis, evaluasi, dan kemampuan membuat visualisasi data serta mengkomunikasikan insight dari data.

Tugas individu dan/atau kelompok, keaktifan, kuis

5. Introduction to Artificial Intelligence Targeted Skill Level

Mahasiswa mampu memahami konsep, terminologi, dan domain utama Artificial Intelligence (AI); menentukan aplikasi AI yang menarik; menganalisis dan mengevaluasi inovasi dan masa depan AI di berbagai industri; serta menerapkan AI sesuai etika dengan bertanggungjawab.

Di chapter Introduction to Artificial Intelligence, peserta akan belajar materi-materi dasar terkait dengan artificial intelligence mulai dari domain, etika, dan contoh penerapan AI

(18)

hingga pengenalan deep learning dan model-model artificial intelligence. Adapun detail materi pembelajaran mencakup subchapter sebagai berikut.

● Introduction to Artificial Intelligence

● Deep Learning (CNN, RNN) and NLP

● Introduction to Reinforcement Learning and Recommendation System

● Introduction to LLM and Practical Transformers

● Introduction to Generative AI

Proses pembelajaran diperkaya dengan assignment untuk mengasah kemampuan analisis dan evaluasi mengenai penerapan artificial intelligence di industri saat ini.

(19)

Tugas individu dan/atau kelompok, keaktifan, kuis 6. Final Project & Showcase

Mahasiswa mampu menyelesaikan permasalahan bisnis menggunakan pemodelan kuantitatif, teknik analisis data, atau model artificial intelligence; mampu mengkomunikasikan hasil analisis, model artificial intelligence, atau mempresentasikan hasil visualisasi data dengan efektif.

Pada tahap ini, peserta akan berkolaborasi bersama tim untuk membuat produk data science atau artificial intelligence. Peserta akan diberi kebebasan untuk memilih dan berkreasi dalam membuat produk yang diminati dengan pendekatan-pendekatan yang telah diajarkan di kelas dengan berbagai sudut pandang dalam berbagai studi kasus. Peserta akan melakukan analisis dan menyusun hasil temuan berdasarkan kasus. Kemudian, merancang dan menjalankan eksperimen pada berbagai hipotesis untuk fitur baru, merumuskan dan menyajikan kesimpulan akhir, atau membuat model berdasarkan data yang ada.

Selama proses pengerjaan final project, peserta akan didampingi oleh expert dan mentor. Pengerjaan final project ini akan dilombakan. Di akhir program, setiap tim akan mempresentasikan produknya di depan para expert dan peserta lainnya.

Modul dan exercise dari Startup Campus, learning video dan kuis yang disusun oleh learning designer Startup Campus, studium generale, video referensi dari Youtube Startup Campus, dan

(20)

referensi lainnya yang dapat diakses melalui Learning Management System.

Tugas individu dan/atau kelompok, keaktifan, kuis 6. Final Project

a. Latar Belakang Final Project

Perkembangan data science & artificial intelligence saat ini mengalami perkembangan yang pesat. Dalam berbagai sektor di kehidupan, setiap harinya, milyaran data terproduksi. Dari data-data tersebut, dibutuhkan penerapan data science untuk mendapatkan insight dan solusi untuk memecahkan masalah serta penerapan artificial intelligence untuk mempermudah pekerjaan dengan teknologi masa kini.

Sebagai calon talenta digital, peserta Program Data Science & Artificial Intelligence diharapkan mampu menyelesaikan permasalahan dalam final project layaknya seorang data scientist maupun AI engineer.

Final Project Program Data Science & Artificial Intelligence Startup Campus Batch 6 adalah proyek akhir yang dirancang oleh subject matter expert Program Data Science yaitu Ainun Najib dan para mentor.

Peserta diminta untuk membuat proyek akhir dengan nilai bisnis sesuai dengan kesepakatan masing-masing, mulai dari pemilihan study case hingga narasi dengan dataset yang diberikan. Pengerjaan final project berlangsung selama kurang lebih 2 bulan dan dikerjakan dalam tim beranggotakan 5-7 orang.

Topik final project yang dapat dipilih oleh peserta Program Data Science & Artificial Intelligence adalah sebagai berikut.

1. Classification

Teknik ini digunakan untuk mengelompokkan data ke dalam kategori atau kelas yang berbeda. Ini sering digunakan untuk

(21)

memahami perilaku sumber data yang diamati. Classification terdiri dari binary classification dan multivariate classification.

2. Clustering

Teknik ini digunakan untuk mengelompokkan data ke dalam kelompok atau klaster berdasarkan kesamaan mereka. Ini membantu dalam mengidentifikasi pola yang mungkin tidak terlihat secara langsung dan dapat digunakan untuk membuat segmen data berdasarkan perilaku atau karakteristik tertentu.

3. Regression

Teknik ini digunakan untuk memprediksi nilai numerik kontinu (misalnya, harga rumah, gaji karyawan) berdasarkan satu atau lebih variabel independen (misalnya, luas rumah, pengalaman kerja). Teknik ini menggunakan model statistik untuk mempelajari hubungan antara variabel independen dan dependen, dan kemudian menggunakan model tersebut untuk memprediksi nilai dependen untuk data baru.

4. Time Series Forecasting

Teknik ini digunakan untuk memprediksi nilai masa depan dari suatu deret waktu (time series) berdasarkan data historis. Teknik ini menggunakan model statistik atau algoritma machine learning untuk mempelajari pola dan tren dalam deret waktu, dan kemudian menggunakan model tersebut untuk memprediksi nilai di masa depan.

5. Recommendation System

Teknik ini digunakan untuk merekomendasikan item (misalnya, produk, film, musik) kepada pengguna berdasarkan preferensi mereka. Teknik ini menggunakan model machine

(22)

learning untuk mempelajari preferensi pengguna dari data historis, seperti interaksi pengguna dengan item (misalnya, pembelian, rating, klik), dan kemudian menggunakan model tersebut untuk merekomendasikan item yang kemungkinan besar disukai pengguna.

Peserta juga dibebaskan menggunakan teknik lain di luar teknik yang telah disebutkan di atas dengan berdiskusi dengan mentor.

Setelah waktu pengerjaan final project selesai, hasil final project akan dilombakan dalam Selection to Showcase untuk mencari 10 tim terbaik yang akan maju ke babak Showcase dan berkesempatan memenangkan hadiah dari Startup Campus.

b. Proses Pengerjaan Final Project

Berikut adalah uraian proses pengerjaan final project.

1. Pembentukan Tim

Pembentukan tim final project dibagi berdasarkan latar belakang universitas dan program studi, keaktifan, level teknikal dan softskill peserta.

Tim final project Byte Brigade terdiri atas:

a. Al Farrah Az Zahra dari Universitas Mataram b. Erlina Eka M dari Universsitas Jenderal Soedirman c. Dea S Rosita dari Universitas Garut

d. Ariesto Lie dari Universitas Padjadjaran

e. Intan Sari Nur Ekmah dari Universitas Diponegoro f. Rizki Ramdani dari Sekolah Tinggi Manajemen

Informatika dan Komputer IKMI

Sebelum memulai pengerjaan final project, telah dilaksanakan proses bonding dengan exercise “Meet My Team”,

(23)

menyepakati nama tim, ketua tim, bendahara tim, pembagian tugas, dan peraturan tim.

2. Penentuan Dataset, Topik, & Judul Final Project

Setelah pembentukan tim, dilaksanakan penentuan dataset, topik, dan judul final project. Topik dan judul harus didasarkan pada permasalahan nyata yang ingin diselesaikan dan memiliki nilai bisnis. Dataset, topik, dan judul harus diajukan kepada mentor untuk disetujui.

Berikut beberapa pilihan dataset yang dapat dipilih:

● Dataset 1: E-Commerce Dataset

● Dataset 2: Banking Stocks Dataset

● Dataset 3: Property Stocks Dataset

● Dataset 4: Climatology Dataset

● Dataset 5: Supermarket Dataset

● Dataset 6: Job Vacancy Posts Dataset

Dataset yang dipilih dalam final project adalah Dataset 6:

Job Vacancy Posts Dataset. Dalam final project ini dipilih topik Analisis Tren Pekerjaan dan Prediksi Lowngan Pekerjaan Membuat Recommendation System dengan TfidfVectorizer dan Cosine Similarity, dengan judul “Identifikasi Pekerjaan Paling Dicari dan Kriteria Seleksi yang Diperlukan di Era Industri 4.0:

Panduan bagi Pencari Kerja untuk Meningkatkan Peluang Kerja”.

Latar belakang permasalahan diambilnya judul tersebut adalah Laporan dari BLS pada tahun 2023 menyebutkan bahwa sekitar 6 juta pengangguran di United States sedang mencari pekerjaan. Pencari kerja harus memenuhi kriteria yang dibutuhkan untuk bekerja. Membuat job seeker mengetahui kriteria yang diperlukan untuk bekerja. Selain itu, jobseeker mampu mencari

(24)

pekerjaan dengan gaji lebih baik. Membuat job seeker mengetahui apa yang harus dilakukan untuk memperoleh gaji lebih tinggi.

Proyek/produk yang dianalisis memiliki target pengguna yaitu pencari pekerjaan atau jobseeker dan bertujuan untuk membantu para pencari kerja untuk menemukan pekerjaan yang sesuai dengan kriteria mereka seperti spesialisasi, keahlian, gaji, dan lain sebagainya.

Dataset yang diambil oleh tim dalam project ini adalah dataset Dataset 6: Job Vacancy Posts Dataset.

Dataset ini bertujuan untuk membantu pencari kerja menemukan pekerjaan yang sesuai secara efisien dan efektif.

Membantu perusahaan merekomendasikan lowongan kepada kandidat yang tepat berdasarkan data. Dataset disimpan dalam file zip yang berisi 3 folder dan 1 file CSV. Data dan Informasi yang digunakan :

• Lowongan Kerja

• Perusahaan

• Industri Perusahaan

• Jumlah Karyawan

• Spesialisasi Perusahaan

• Benefit

• Industri Pekerjaaan

• Skill Pekerjaan

• Gaji

• Industri

• kemampuan 3. Data Preprocessing

Untuk melakukan analisis data yang efektif, terutama dengan fokus pada feature engineering dan penggunaan data untuk training,

(25)

validation, dan testing, berikut adalah langkah-langkah yang dapat diambil, termasuk alokasi data untuk setiap tahap:

Langkah-langkah

1) Data Understanding:

Pahami struktur dan konten dari dataset yang diberikan, termasuk semua file yang ada dalam format CSV. Identifikasi kolom- kolom yang relevan untuk analisis berdasarkan informasi yang telah diberikan.

2) Data Preparation:

• Lakukan data cleaning untuk mengatasi nilai-nilai yang hilang atau tidak valid.

• Lakukan transformasi data seperti mengubah tipe data kolom, standarisasi format tanggal, dan standarisasi teks (seperti judul dan deskripsi pekerjaan).

• Lakukan imputasi untuk mengisi nilai yang hilang pada kolom gaji dan lokasi perusahaan.

3) Feature Engineering:

Lakukan feature engineering untuk menciptakan fitur-fitur baru yang relevan, seperti:

• Tingkat kepopuleran lowongan berdasarkan jumlah tayangan.

• Tingkat lamaran berdasarkan jumlah tayangan dan jumlah lamaran.

• Durasi lowongan kerja berdasarkan waktu buka dan waktu kedaluwarsa.

• Spesialisasi perusahaan dengan menggabungkan data dari berbagai tabel.

(26)

• Industri dengan gaji tertinggi dan perubahan gaji terbesar.

• Kemampuan yang paling dibutuhkan dan pekerjaan yang paling banyak dibutuhkan.

4) Exploratory Data Analysis (EDA):

Lakukan EDA untuk mendapatkan wawasan tambahan tentang dataset, seperti distribusi data, korelasi antar variabel, dan informasi penting lainnya. Hasil dari EDA digunakan untuk menentukan variabel mana yang akan digunakan sebagai fitur dalam model.

4. Pemodelan dan Evaluasi 1) Model yang Digunakan

Model yang digunakan adalah Prophet. Prophet adalah algoritma peramalan yang dikembangkan oleh Facebook untuk peramalan deret waktu dengan tren musiman yang kuat dan efek liburan.

Prophet memungkinkan untuk membuat peramalan dengan mudah, akurat, dan cepat.

2) Dasar Teori & Justifikasi Pemilihan Model Dasar Teori:

Prophet menggunakan model aditif di mana tren non-linier diproyeksikan menggunakan fungsi logistik pertumbuhan.

Fungsi ini diharapkan untuk memperkirakan tren pertumbuhan yang berubah secara cepat, yang umum terjadi dalam data bisnis. Komponen musiman ditangani dengan pendekatan Fourier yang memungkinkan untuk memodelkan efek musiman dengan fleksibilitas yang baik.

Prophet juga memperhitungkan efek liburan yang memungkinkan untuk menambahkan perubahan yang tidak teratur ke dalam model, yang penting dalam meramalkan data yang memiliki perubahan yang signifikan pada periode tertentu seperti liburan.

Justifikasi Pemilihan Model:

(27)

• Kekuatan Model: Prophet cocok untuk dataset dengan tren yang kuat dan efek musiman yang jelas, seperti yang sering terjadi dalam data ekonomi, bisnis, atau perekonomian kerja.

• Kemudahan Penggunaan: Prophet dirancang untuk digunakan dengan mudah oleh praktisi bisnis yang tidak memiliki latar belakang statistik atau matematika yang kuat, sehingga cocok digunakan dalam konteks yang membutuhkan aplikasi praktis dari analisis deret waktu.

• Skalabilitas dan Kinerja: Prophet dirancang untuk menangani dengan baik volume data yang besar dan memberikan hasil peramalan dalam waktu yang cepat.

3. Modifikasi yang Dilakukan

Pada analisis sebelumnya, modifikasi yang dilakukan terdiri dari:

• Penyesuaian Kolom Data: Mengubah kolom 'Date' menjadi tipe datetime dan menghilangkan baris dengan tanggal yang gagal diubah.

• Pemrosesan Data: Melakukan pemrosesan data untuk memfilter hanya pekerjaan yang relevan dengan kata kunci tertentu.

• Penyesuaian Format Tanggal: Menggunakan format datetime yang tepat untuk memungkinkan analisis deret waktu yang akurat.

4. Proses Training & Transfer Learning

• Proses Training:

Data historis digunakan untuk melatih model Prophet.

Model diinisialisasi, fit ke data, dan dilakukan prediksi menggunakan model tersebut.

• Transfer Learning:

Prophet tidak secara khusus menggunakan transfer learning seperti yang diterapkan dalam konteks deep learning atau machine learning lainnya.

(28)

Prophet lebih fokus pada pendekatan tradisional dalam peramalan deret waktu yang berfokus pada tren, musiman, dan efek liburan.

Prophet tidak menggunakan model yang telah dilatih sebelumnya pada tugas lain, tetapi melatih model langsung pada data historis yang diberikan.

5. Hasil Evaluasi Model

• Mean Absolute Error (MAE): MAE mengukur rata-rata nilai absolut dari selisih antara nilai aktual dan nilai prediksi.

• Mean Squared Error (MSE): MSE mengukur rata-rata dari kuadrat selisih antara nilai aktual dan nilai prediksi.

• Root Mean Squared Error (RMSE): RMSE adalah akar kuadrat dari MSE dan memberikan gambaran tentang besarnya kesalahan prediksi dalam unit yang sama dengan variabel yang diprediksi.

5. Dashboard & Deployment (Opsional) 1) Dashboard

Melihat kemampuan apa saja yang paling dibutuhkan dibulan tersebut,industri apa saja yang membutuhkan pekerjaan tersebut dan di wilayah mana yang mebutuhkan pekerja berdasarkan tingkat kemampuan(entry level,dll)

2) Deployment

Rekomendasi Lowongan Pekerjaan: Pengguna dapat memilih resume dan melihat job description yang paling mirip berdasarkan kesamaan kosinus antara teks.

• Peta Lowongan Pekerjaan: Pengguna dapat melihat visualisasi interaktif dari jumlah lowongan pekerjaan di setiap negara bagian AS. Mereka dapat melihat informasi lebih lanjut dengan mengarahkan kursor ke negara bagian tertentu.

(29)

• Interaktivitas: Pengguna dapat berinteraksi dengan dashboard melalui sidebar untuk memilih job ID dan jumlah top matches yang ingin mereka lihat.

6. Pembuatan Presentasi Hasil Final Project

Setelah project selesai, dilakukan pembuatan dokumen presentasi yang memuat:

a. Business Understanding, termasuk studi kasus yang diangkat.

b. Data Understanding, termasuk fitur dan behavioral pattern yang ditemukan.

c. Data Preparation, termasuk apa saja yang dilakukan untuk mempersiapkan data & feature engineering yang dilakukan.

d. Pilihan metode/algoritma (model).

e. Alasan pemilihan metode/algoritma (model) dan komparasinya.

f. Hasil dan tingkat akurasi model.

g. Metriks evaluasi model dan alasan pemilihannya.

h. Interpretasi dari model dan hasil evaluasi.

i. Insight yang didapat dari dataset.

j. Saran (rekomendasi) yang bisa diberikan untuk insight yang ditemukan.

7. Hambatan dan Penyelesaian

Hambatan:

• Kesulitan dalam Pengolahan Data: Data yang tidak bersih atau memiliki banyak nilai yang hilang dapat memperlambat proses pengolahan dan analisis.

• Masalah Integrasi: Integrasi berbagai komponen (seperti Streamlit, NLTK, dan Plotly) mungkin tidak selalu berjalan lancar.

• Performa Aplikasi: Aplikasi yang lambat atau tidak responsif, terutama saat memproses dataset besar.

(30)

Cara Mengatasi:

• Data Cleaning yang Sistematis: Menggunakan teknik pembersihan data yang tepat dan mengotomatiskan proses ini sejauh mungkin untuk memastikan data yang digunakan bersih dan konsisten.

• Modularisasi Kode: Memecah kode menjadi modul-modul kecil yang dapat diuji dan diintegrasikan secara terpisah, kemudian melakukan pengujian integrasi secara bertahap.

• Optimasi Kode: Mengoptimalkan kode dengan menggunakan teknik seperti caching (menggunakan @st.cache pada Streamlit) dan menghindari perulangan yang tidak perlu.

8. Tugas & Kontribusi Individu

1) Project Manager: Aristo Lie Tugas :

• Memastikan setiap tugas diselesaikan oleh PIC masing-masing sesuai dengan mandays yang telah disepakati.

• Memastikan proyek berjalan lancar dan sesuai dengan perencanaan.

• Mengadakan rapat rutin untuk memantau kemajuan proyek dan mengatasi hambatan yang dihadapi.

Kontribusi:

• Pembuatan Timeline Proyek: Mengembangkan timeline proyek dan mendistribusikan tugas ke masing-masing anggota tim.

• Rapat Rutin: Mengadakan rapat mingguan untuk memantau kemajuan dan mengatasi hambatan.

• Dokumentasi: Menyusun laporan kemajuan proyek secara berkala.

(31)

Dokumentasi:

• Project Plan: [Link to Project Plan Document]

2) Data Analyst: Erlina Eka M & Al Farrah Az-Zahra Tugas:

• Menganalisis data untuk menemukan wawasan tersembunyi yang relevan dengan konteks bisnis.

• Memastikan data yang digunakan sudah bersih dan siap untuk dianalisis.

• Membuat laporan dan presentasi yang mudah dipahami untuk menyampaikan temuan analitis.

Kontribusi:

• Data Cleaning: Menggunakan Python dan Pandas untuk membersihkan data dan menangani nilai yang hilang.

• Analisis Data: Menggunakan alat analitik seperti python untuk menemukan wawasan dari data.

Dokumentasi:

Data Preparation Scripts: [Link to Data Preparation Scripts]

(32)

3) Data Scientist: Intan Sari Nur Ekmah Tugas:

• Mengembangkan model machine learning dan analitik prediktif yang sesuai dengan kebutuhan bisnis.

• Melakukan tuning model untuk meningkatkan akurasi dan performa.

• Menyajikan hasil model dalam bentuk yang dapat dimengerti oleh pemangku kepentingan.

Kontribusi:

• Model Development: Menggunakan Python dan scikit-learn untuk mengembangkan model prediktif.

• Model Tuning: Melakukan hyperparameter tuning untuk meningkatkan performa model.

• Interpretasi Model: Membuat dokumentasi yang menjelaskan metode dan hasil model.

Dokumentasi:

• Prediction Scripts: [Link to Prediction Scripts]

• Deployment : [Link to Deployment Results]

(33)

4) Designer: Dea Siti Rosita Tugas:

• Mendesain presentasi dan prototipe dashboard yang estetis dan fungsional.

• Memastikan desain sesuai dengan prinsip desain yang baik dan menarik secara visual.

• Menggunakan alat desain seperti Photoshop, CorelDraw, atau Canva

Kontribusi:

• Desain Dashboard: Menggunakan alat desain seperti Canva untuk membuat mockup dashboard.

• Presentasi Visual: Mendesain slide presentasi yang estetis untuk mempresentasikan hasil proyek.

• Kolaborasi Desain: Bekerja sama dengan BI Developer untuk mengintegrasikan desain ke dalam dashboard fungsional.

Dokumentasi:

• Presentation Slides: [Link to Presentation Slides]

(34)

5) BI Developer: Rizki Ramdani Tugas:

• Mengembangkan dashboard yang informatif dan insightful menggunakan alat BI.

• Memastikan visualisasi data menggunakan aturan yang berlaku dan prinsip GESTALT.

• Menonjolkan nilai storytelling dalam visualisasi data.

Dokumentasi :

• BI Dashboard [Link to BI Dashboards]

c. Hasil Final Project 1) Judul

Identifikasi Pekerjaan Paling Dicari dan Kriteria Seleksi yang Diperlukan di Era Industri 4.0: Panduan bagi Pencari Kerja untuk Meningkatkan Peluang Kerja

2) Business Problem

Banyak pencari kerja di era Industri 4.0 menghadapi tantangan untuk memahami jenis pekerjaan yang paling dicari dan memenuhi kriteria seleksi yang diperlukan oleh perusahaan. Selain itu, mereka juga perlu mengikuti dan memprediksi tren job demand serta meningkatkan keterampilan yang relevan untuk meningkatkan peluang kerja.

3) Business Solution

Proyek ini bertujuan untuk memberikan panduan bagi pencari kerja dalam menavigasi pasar kerja di era Industri 4.0. Dengan memahami jenis pekerjaan yang paling dicari, kriteria seleksi yang diperlukan, dan strategi untuk mengembangkan keterampilan yang relevan, pencari kerja dapat meningkatkan daya saing mereka.

Rekomendasi praktis akan diberikan untuk membantu mereka

(35)

menargetkan pekerjaan yang sesuai, mengembangkan keterampilan yang dibutuhkan, dan meningkatkan peluang mendapatkan pekerjaan dengan gaji yang lebih baik.

6) Insight & Rekomendasi

i. Identifikasi dan Penyesuaian dengan Permintaan Pasar:

• Pekerjaan yang paling dicari di era Industri 4.0 meliputi Data Scientist, AI Specialist, Cybersecurity Expert, dan lain-lain.

• Mengikuti pelatihan dan memperoleh sertifikasi yang relevan untuk meningkatkan daya saing.

ii. Mengikuti dan Memprediksi Tren Job Demand:

• Mengikuti perkembangan terbaru melalui laporan industri dan seminar untuk mengetahui pekerjaan yang sedang naik daun.

• Fokus pada keterampilan yang sedang dibutuhkan, seperti cloud computing, analisis data, dan teknologi blockchain.

iii. Memenuhi Kriteria Seleksi yang Dibutuhkan:

• Mengetahui keterampilan teknis dan non-teknis yang dibutuhkan oleh perusahaan, seperti analisis, pemrograman, dan komunikasi efektif.

• Pembelajaran berkelanjutan untuk meng-update diri dengan pengetahuan dan keterampilan baru.

iv. Meningkatkan Keterampilan yang Bernilai:

• Mengetahui standar gaji untuk posisi tertentu dan menargetkan perusahaan yang menawarkan paket remunerasi kompetitif.

• Menunjukkan keahlian yang dapat meningkatkan nilai tambah, seperti manajemen proyek atau keahlian khusus yang langka di pasar.

v. Rekomendasi Praktis untuk Pencari Kerja:

(36)

• Tips Jobseeker Baru: Fokus pada posisi entry-level, mengembangkan kemampuan yang banyak dibutuhkan, dan melamar ke lowongan dengan tingkat conversion rendah.

• Tips Jobseeker Cuan: Pertimbangkan industri dengan gaji tinggi seperti Investment Banking, Graphic Design, dan Market Research.

• Tips Perbesar Peluang Jobseeker: Segera melamar setelah lowongan dibuka, menargetkan industri IT dan Health Care, serta optimalisasi CV untuk lowongan dengan tingkat populer.

(37)

II. Aktivitas Bulanan

Bulan Kegiatan

1 Saya menghadiri mentoring dengan Kak Bachtiyar sebagai Kakak Mentor dan cycle meetingdengan Kak Renita sebagai Kakak Facilitator. Setiap minggu, kami memiliki dua sesi mentoring untuk mendiskusikan materi modul dan video pembelajaran yang telah kami pelajari, dengan jadwal yang telah ditetapkan sebelumnya. Mentoring berlangsung selama 2 jam dengan fokus pada pembahasan materi dan juga tugas untuk setiap anggota tim.

Selain itu, ada satu sesi cycle meetingsetiap minggu untuk meningkatkan keterampilan interpersonal. Cycle meetingini melibatkan perkenalan oleh empat orang dari dua kompi yang berbeda dalam setiap sesinya. Saya aktif berpartisipasi dalam diskusi dengan Kakak Mentor dan Facilitator melalui grup WhatsApp tim. Setelah pengumuman pembagian tugas dalam DPP, saya diminta untuk bergabung dengan grup WhatsApp DPP, di mana saya dan rekan-rekan dapat berkonsultasi tentang konversi SKS dan mata kuliah yang mungkin dapat kami konversikan.

Saya telah belajar modul dan video pembelajaran serta mengerjakan kuis tentang data science foundation. Saya juga mengikuti studium generale tentang data science & AI bersama Kak Ainun Najib yang bertujuan untuk memperluas pengetahuan saya tentang data science & AI, studium generale tentang pengembangan bersama Kak Mella, dan studium generale tentang karier bersama Kak Irvandias untuk memahami lebih dalam tentang peluang karier di dunia profesional. Saat ini, saya telah menyelesaikan semua materi pembelajaran dari bab data science foundation.

Tantangan yang saya hadapi bulan ini adalah menyelesaikan initial exam dan assignment 1. Initial exam adalah tes dari Startup Campus untuk mengukur kemampuan awal semua peserta DSAI Track Startup Campus. Saya berhasil menyelesaikan initial exam dengan mempersiapkan diri terlebih dahulu sebelum pelaksanaan ujian. Selain itu, ada juga assignment 1 yang merupakan tugas individu dan kelompok yang diberikan untuk melatih kemampuan

(38)

analitis setelah menyelesaikan bab pertama tentang dasar ilmu data. Satu hal yang perlu saya tekankan adalah pentingnya untuk memahami materi secara menyeluruh sebelum mengerjakan tugas-tugas tersebut, agar saya dapat menghadapinya dengan percaya diri. Jika saya mengalami kebingungan dalam mengerjakan tugas tersebut, saya akan meminta bantuan kepada Kakak Mentor dan rekan-rekan peserta lainnya.

Pada bulan ini, saya telah mengembangkan berbagai kompetensi baru, terutama dalam mempelajari dasar-dasar ilmu data. Melalui pembelajaran ini, saya berhasil memperoleh pemahaman yang lebih baik tentang konsep umum dalam bidang data science & AI, termasuk beberapa teori dasar dan relevansinya dalam berbagai industri. Selain itu, saya juga berhasil memperdalam pemahaman saya tentang fondasi SQL dan Python, yang merupakan keterampilan yang sangat berguna untuk pembelajaran lanjutan dalam bidang ilmu data. Tidak hanya itu, saya juga berhasil meningkatkan kemampuan berpikir statistik, yang sangat bermanfaat untuk menganalisis data dalam konteks bisnis. Selain dari pengetahuan khusus mengenai data science & AI, saya juga berhasil mempelajari keterampilan penting lainnya. Saya belajar bagaimana membangun dan mempertahankan semangat belajar, serta mengasah kemampuan kepemimpinan yang ada dalam diri saya. Selain itu, saya juga mendalami keterampilan dalam mempersiapkan diri untuk memasuki dunia kerja, sehingga saya siap menghadapi tantangan yang ada di masa depan dengan lebih percaya diri.

2 Saya mengikuti mentoring bersama Kak Bachtiyar sebagai Mentor Senior dan pertemuan siklus dengan Kak Renita sebagai Fasilitator Senior. Setiap minggu, kami mengikuti dua sesi mentoring untuk membahas materi modul dan video pembelajaran yang telah kami pelajari, sesuai jadwal yang telah ditetapkan sebelumnya. Mentoring berlangsung selama 2 jam, fokus pada pembahasan materi serta penugasan untuk setiap anggota tim. Selain itu, kami juga mengikuti satu sesi pertemuan siklus setiap minggu untuk meningkatkan keterampilan interpersonal. Pertemuan siklus ini melibatkan perkenalan oleh empat anggota dari dua kompi yang berbeda dalam setiap sesi.

Saya aktif terlibat dalam diskusi dengan Mentor dan Fasilitator melalui grup WhatsApp tim. Setelah diumumkan pembagian

(39)

tugas dalam DPP, saya diminta untuk bergabung dengan grup WhatsApp DPP, di mana saya dan rekan-rekan dapat berkonsultasi tentang konversi SKS dan mata kuliah yang mungkin dapat kami konversi.

Saya telah mengeksplorasi modul dan video pembelajaran mengenai topik data preprocessing dan machine learning. Selain itu, saya aktif menghadiri studium generale tentang data science

& AI yang dipandu oleh Kak Syahrul B. Hamdani dan Dr. Harry Patria, serta studium generale tentang pengembangan yang dipimpin oleh Kak Sri Malahayati, dan studium generale tentang karier bersama Kak Bima Putra Pratama. Saya juga terlibat dalam kegiatan belajar bersama teman-teman sekompi dalam agenda belajar bareng. Selama ini, saya telah menyelesaikan semua kuis dan tugas yang diberikan pada bulan ini. Dengan demikian, saya telah berhasil menyelesaikan semua materi yang terkait dengan bab data preprocessing dan machine learning.

Tantangan bulan ini bagi saya adalah menyelesaikan tiga tugas berbeda, yaitu assignment 2, assignment 3, dan assignment career 1. Pada assignment 2, saya harus melakukan persiapan data, analisis data eksploratif (EDA), dan pengembangan fitur pada dataset tertentu. Untuk assignment 3, saya harus menentukan model machine learning, melakukan validasi silang, dan menerapkan kurva pembelajaran pada dataset yang telah diolah dari assignment 2. Selain itu, pada assignment career 1, saya harus membuat CV, membuat akun LinkedIn, dan mencoba membangun citra personal melalui akun LinkedIn. Ketika saya mengalami kebingungan dalam mengerjakan tugas-tugas tersebut, saya mencari bantuan dari mentor senior, teman sekelas, dan senior lainnya di komunitas belajar.

Saya telah mengembangkan keterampilan kompetensi baru dalam beberapa hal selama bulan ini. Salah satunya adalah memahami proses pra-pemrosesan data dan konsep machine learning. Saya sekarang mengerti pentingnya tahap persiapan data sebelum lanjut ke tahapan berikutnya, melakukan analisis eksplorasi data (EDA), serta membuat fitur-fitur yang relevan dalam proses pembuatan model. Selain itu, saya telah mempelajari teknik feature engineering untuk menghasilkan wawasan yang berharga

(40)

dan menentukan kebermaknaan fitur dalam model yang dibuat.

Konsep-konsep dasar machine learning, seperti supervised, unsupervised, dan forecasting, juga telah saya kuasai, bersama dengan kemampuan membangun berbagai model machine learning untuk menangani berbagai masalah di bidang data science. Saya juga telah meningkatkan kemampuan saya dalam mengevaluasi model dengan melakukan penyetelan hyperparameter dan menggunakan metrik evaluasi yang sesuai dengan jenis model yang digunakan. Selain aspek teknis, saya juga belajar tentang manajemen prioritas dan memberikan umpan balik secara efektif. Kami juga diajarkan pentingnya komunikasi untuk kolaborasi yang sukses dan mendapat wawasan tentang pengembangan karir sebagai data scientist dengan meningkatkan portofolio proyek data.

3 Saya selalu mengikuti kegiatan mentoring dengan Kakak Mentor dan Kompi 6. Setiap minggu, kami mengadakan dua sesi

mentoring untuk membahas secara mendalam materi data science dan progress final project. Mentoring ke-13 yang diadakan pada 17 April 2024 membahas materi pada modul ke-4 yaitu Data Visualization. Setelah itu, mentoring dilanjutkan ke pembahasan modul ke-5. Mentoring ke-14 yang diadakan pada 20 April 2024 membahas Introduction to artificial inteligence. Mentoring ke-15 yang diadakan pada 23 April 2024 membahas Introduction to Reinforcement Learning and Recommendation System dan juga Persiapan Final Project. Mentoring ke-16 yang diadakan pada 24 April 2024 membahas Final Project Week 1. Mentoring ke-17 yang diadakan pada 29 April 2024 dan mentoring ke-18 yang diadakan pada 3 Mei 2024 membahas Final Project Week 2.

Terakhir, mentoring ke-19 yang diadakan pada 7 Mei 2024 dan 10 Mei 2024 membahas Final Project Week 3.

Selain itu, satu kali dalam seminggu kami juga mengadakan cycle meeting untuk mengembangkan soft skill. Cycle meeting tersebut diadakan oleh Kakak Facilitator yang memfasilitasi Kompi 5 dan Kompi 6. Pada 18 April 2024, Saya menghadiri CM "Post

Holiday Reset: Checking Energy Level". Pada 25 April 2024, Saya menghadiri CM "Preparation for Final Project: Be Ready to Show your Big Potentials & Bonding Tim FP!". Pada 2 Mei 2024, Saya menghadiri CM "Intermezzo Time: One Hour Fun Session!". Pada 9 Mei 2024, Saya menghadiri CM "Silent

(41)

Meeting: beberapa cara meeting yang efektif dalam sebuah tim"

Saya aktif berpartisipasi dalam diskusi dengan Kakak Mentor dan Facilitator melalui grup WhatsApp kompi 6. Pada 26 April 2024, saya menghadiri sesi "Belajar Bersama" yang ke-3 dengan kompi 6. Kemudian, Saya juga menghadiri sesi "Belajar

Bersama" yang ke-4 pada 9 Mei 2024.

Saya telah mempelajari modul dan learning video serta mengerjakan kuis dari materi Data Visualization dan AI Foundation. Saya juga mengikuti studium generale DSAI # 4 tentang Closing the Feedback Loop: How Reinforcement Learning Fuels Smarter, Continuously Evolving

Recommendations bersama Kak Nolang Fanani pada 20 April 2024, Studium Generale DSAI #5 tentang Artificial Intelligence Odyssey: Innovation in Generative bersama Kak Nolang Fanani pada 27 April 2024, Studium Generale DSAI #6 tentang From Data to Drama: The Art of Data Storytelling bersama Kak Nurvita Monarizqa pada 4 Mei 2024, dan Studium Generale Development #3 tentang Building Performing Team bersama Kak Sri Malahayati pada 6 Mei 2024. Saat ini saya telah

menyelesaikan seluruh materi belajar dari chapter Data Visualization dan Introduction to Artificial Intelligence. Saya juga telah mengerjakan dan mengumpulkan assignment 4 (Data Visualization) & 5 (Introduction to Artificial Intelligence) di google classrom. Tim final project saya juga telah mengerjakan Task & Milestone Week 1-3.

Tantangan bulan ini bagi saya adalah kesulitan dalam membagi waktu antara kuliah, kegiatan mentoring, dan final project. Selain masalah manajemen waktu, saya juga mengalami kesulitan dalam memahami beberapa konsep lanjutan dalam AI. Konsep seperti reinforcement learning, transformer models, dan deep learning memerlukan pemahaman yang mendalam dan seringkali materi yang disampaikan dalam perkuliahan atau mentoring terasa terlalu cepat sehingga saya kesulitan untuk mengikuti dan benar- benar memahami esensinya. Kesulitan ini membuat saya merasa kurang percaya diri dalam mengaplikasikan teori tersebut dalam proyek dan tugas-tugas saya. Tantangan lainnya adalah dalam berkomunikasi dan berkoordinasi dengan anggota tim final

(42)

project. Mengingat bahwa setiap anggota tim memiliki jadwal dan komitmen masing-masing, koordinasi menjadi sangat penting namun juga sulit dilakukan.

Saya telah mengembangkan kompetensi baru dalam bidang data science pada bulan ini. Saya mampu membuat visualisasi dengan BI Tools untuk memberikan wawasan melalui storytelling, serta dapat mengukur dan meningkatkan kualitas visualisasi yang telah dibuat. Saya juga dapat berkomunikasi melalui bercerita tentang temuan dalam model saya dan proses eksplorasi data sebelumnya.

Kemudian, Saya memahami terminologi, evolusi, dan lanskap AI, serta mampu menerapkan deep learning dan natural language processing. Terakhir, Saya juga memahami model reinforcement learning, recommendation system, LLM, transformer model, dan generative AI. Di samping pengetahuan tentang data science &

AI, saya juga telah belajar tentang pentingnya team building.

4 Pada meet mentoring bulan ini membahas mengenai final project.

Mentor memberikan saran dan evaluasi kepada kelompok kami hingga pertemuan terakhir. Mentor sangat berdedikasi dan bersedia menjawab pertanyaan agar menghasilkan final project yang bagus diluar jadwal mentoring. DPP akan berkoordinasi untuk mengkonversi SKS pada pihak kampus.

Bulan ini saya bersama tim mengerjakan final project mengenai dataset pekerjaan yang dimana kami mebagi tugas menjadi 2 tim yaitu tim data scientist dan data analyst . Saya bertugas sebagai data analyst dalam membuat dashboard serta memperindah ppt yang kami buat. Setelah berminggu-minggu final project dibuat, hari presentasi telah tiba. Presentasi ini dilakukan setiap tim dan terdapat 3 judgest yang selain mentor kompi 2.

Tantangan yang dihadapi yaitu beberapa kali mengganti desain dashboard serta konsep yang telah dibuat, karena itu saya dan tim melakukan meet yang lebih intens untuk merevisi berulang kali.

Kompetensi yang saya dapat bulan ini pada hardskill dalam analisis data serta kerjasama tim yang seharusnya dilakukan untuk pengerjaan project ini. Dengan ini, saya memahami hal-hal kecil saat presentasi yang baik dan benar sesuai penilaian judgest.

(43)

5 Setelah showcase series berakhir, saya tidak lagi mengikuti sesi mentoring dan cycle meeting, tetapi tetap menjaga komunikasi dengan mentor dan fasilitator hingga agenda graduation. Saya juga terus berkomunikasi dengan DPP terkait pengisian laporan bulanan dan laporan akhir.

Setelah showcase series, saya belajar mandiri tentang Data

Science & Artificial Intelligence dan menyelesaikan laporan akhir MSIB. Setelah menyelesaikan laporan akhir, saya

mengunggahnya ke website MSIB dan melengkapi administrasi lainnya untuk menuntaskan program MSIB batch ini. Setelah semua administrasi selesai, saya tinggal menunggu sertifikat dan transkrip nilai dari Startup Campus.

Tantangan terbesar di akhir program MSIB adalah menyelesaikan semua administrasi yang diperlukan, termasuk pembuatan laporan akhir MSIB dan pengisian laporan bulanan terakhir. Saya juga memeriksa apakah semua administrasi sudah lengkap. Saya tidak mengalami kesulitan dalam hal ini karena dibantu oleh dokumen integrasi rekap dari Startup Campus.

Selama di Startup Campus, saya mempelajari Data Science &

Artificial Intelligence, termasuk Introduction to Data Science, Data Preprocessing, Machine Learning, Data Visualization, dan Introduction to Artificial Intelligence. Saya juga menerapkan ilmu yang didapat melalui final project. Selain mengasah hard skill, saya belajar kompetensi inti lainnya seperti komunikasi, penyelesaian masalah, kreativitas, dan intelegensi sosial.

A. Sertifikasi Keahlian

Sertifikasi : Kelulusan Startup Campus - Data Science &

Artificial Intelligence Tanggal Pelaksanaan : 16 Februari - 30 Juni 2024

(44)

III. Penutup

A. Kesimpulan

Proses Pelaksanaan MSIB

Selama menjalani program MSIB di organisasi Mitra, proses pelaksanaan berjalan dengan baik dan terstruktur. Saya menghadiri berbagai kegiatan seperti mentoring, cycle meeting, dan studium generale secara teratur. Setiap kegiatan ini sangat membantu dalam memperdalam pengetahuan tentang data science & artificial intelligence (AI), serta dalam mengembangkan keterampilan soft skill seperti komunikasi dan kerjasama tim. Proses pembelajaran yang terstruktur ini membantu saya dalam menyelesaikan tugas dan proyek akhir dengan baik.

Substansi yang Dikerjakan

Substansi yang dikerjakan selama program MSIB meliputi pemahaman yang mendalam tentang data science dan AI, termasuk data preprocessing, machine learning, data visualization, dan introduction to AI. Saya berhasil menyelesaikan semua tugas dan proyek akhir dengan baik, yang membantu saya mengasah keterampilan analitis dan kemampuan untuk mengkomunikasikan temuan dalam sebuah proyek.

B. Saran

Proses Pelaksanaan MSIB di Organisasi Mitra:

• Mentoring dan Cycle Meeting

Saran saya adalah untuk mempertahankan kualitas dan konsistensi mentoring dan cycle meeting. Pemilihan mentor dan fasilitator yang tepat serta jadwal yang teratur sangat membantu peserta dalam memaksimalkan hasil pembelajaran.

• Studium Generale

(45)

Lebih baik jika topik-topik yang dipilih untuk studium generale lebih spesifik dan relevan dengan perkembangan terkini di bidang data science dan AI.

• Koordinasi Tim Final Project

Perlu ditingkatkan koordinasi dan komunikasi antara anggota tim final project. Hal ini akan membantu dalam mengurangi perubahan desain atau konsep proyek yang berulang, sehingga dapat menyelesaikan proyek dengan lebih efisien.

Substansi atau Topik yang Digeluti Selama Program MSIB:

• Kurikulum dan Materi Pembelajaran

Perlu ditingkatkan lagi kedalaman dan relevansi kurikulum dengan perkembangan terbaru di industri data science dan AI. Misalnya, memasukkan lebih banyak studi kasus dan proyek yang berbasis industri.

• Pengembangan Keterampilan Khusus

Fokuskan pada pengembangan keterampilan yang mendalam dalam konsep AI lanjutan seperti reinforcement learning, transformer models, dan deep learning. Dukungan tambahan dalam bentuk tutorial atau studium generale khusus dapat membantu peserta dalam memahami konsep-konsep tersebut dengan lebih baik.

(46)

Referensi

[1] F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni,

“Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper

Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia:

Application of K-Nearest Neighbor Algorithm Using Wrapper as Preprocessing for Determination of Human Weight Information,”

MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, Art. no. 1, Jan. 2024, doi:

10.57152/malcom.v4i1.1085.

[2] P. Alkhairi and A. P. Windarto, “Penerapan K-Means Cluster Pada Daerah Potensi Pertanian Karet Produktif di Sumatera Utara,” Seminar Nasional Teknologi Komputer & Sains (SAINTEKS), vol. 1, no. 1, Art. no. 1, Feb.

2019, Accessed: Jun. 20, 2024. [Online]. Available: https://seminar- id.com/prosiding/index.php/sainteks/article/view/228

[3] A. D. Sidik and A. Ansawarman, “Prediksi Jumlah Kendaraan Bermotor Menggunakan Machine Learning,” Formosa Journal of Multidisciplinary Research, vol. 1, no. 3, Art. no. 3, Jul. 2022, doi: 10.55927/fjmr.v1i3.745.

[4] G. N. Arviana, “Mengenal Tableau, Software yang Bisa Ubah Datamu Jadi Visual Menarik,” Glints Blog. Accessed: Jun. 20, 2024. [Online].

Available: https://glints.com/id/lowongan/tableau-adalah/