PERHATIAN!
- Kursus yang dibeli dengan menggunakan Kartu Prakerja tidak dapat dipindahtangankan dan hanya bisa diambil oleh pemegang Kartu Prakerja yang bersangkutan. Kursus yang dipindahtangankan dapat berakibat tidak dikeluarkannya sertifikat penyelesaian dan/atau tidak dibayarkannya insentif oleh Pemerintah.
- Jika kamu pengguna Kartu Prakerja, harap gunakan nama, alamat email, dan nomor HP yang sama dengan yang kamu gunakan ketika mendaftar Kartu Prakerja.
- Syarat Kelulusan: Mengakses semua materi belajar, menyelesaikan kuis di setiap perpindahan dari satu sesi/modul ke sesi/modul lainnya (minimum passing grade 80%) dan menyelesaikan tes akhir (minimum passing grade 60%).
- Kursus yang sudah dibeli/sudah melakukan pembayaran melalui Prakerja atau pembayaran lainnya tidak dapat dibatalkan dan/atau direfund.
Deskripsi:
Di abad 21 ini data science merupakan ilmu yang banyak diminati oleh banyak pakar untuk mengembangkan perusahaan. Ilmu Data Science muncul bersamaan dengan pertumbuhan Big Data. Saat ini, perusahaan membutuhkan seorang dengan kempuan analisis data, rasa keingintahuan yang besar, mampu menerjemahkan data menjadi informasi dari data yang tersebar dikumpulkan dan ditampilkan dalam grafik maupun diagram untuk menguntungkan perusahaan.
Siapapun dapat menjadi data scientist karena ilmu data science tidak mengenal background pendidikan dan era transformasi digital saat ini seorang data scientist dibutuhkan dalam semua bisnis. Di Indonesia sendiri banyak perusahaan dan startup menjadikan data scientist sebuah jabatan yang penting dalam manajemennya. Analisa seorang data scientist akan mempengaruhi keputusan usaha dan bisnis. dengan banyaknya kebutuhan data science, profesi data scientist sangat menarik untuk dipelajari dan dikembangkan. selain itu, prospek penghasilan untuk seorang data scientist yang sangat baik membuat data science semakin diincar.
Tujuan Umum:
Setelah menyelesaikan seluruh kegiatan belajar, peserta diharapkan mampu membuat perencanaan dan menggunakan data science untuk mampu mengembangkan bisnis yang diinginkan.
Tujuan Khusus:
- Memahami data science dan data scientist
- Memahami objekif bisnis organisasi
- Memahami perencanan proyek data science
- Menelaah dan validasi data
- Memahami tahapan pengolahan data
- Memahami evaluasi model data science
- Memahami algoritma data science
- Menerapkan pengolahan basis data
- Menggunakan tools data science
- Mengevaluasi model data science
- Merancang proyek machine learning
- Menyusun Laporan akhir proyek data science
- Teliti dalam proyek data science
- Tepat dalam menentukan model data science
- Kritis dalam menentukan validasi data
Aspek Kompetensi:
Pengetahuan (Knowledge):
- Mengenal data science dan fungsinya dalam bisnis
- > Introduction (0:19-1:39)
- > Apa itu Data Sains? (0:18-2:30, 3:45-6:20)
- > Penggunaan Data Sains dalam Bisnis (0:18-9:28)
- > Bagaimana Alur Kerja Data Sains? (0:22-7:03)
- > Bagaimana Alur Kerja Data Sains? Lanjutan (0:18-4:05)
- Memahami kemampuan dan tanggung jawab sebagai data scientist
- > Kemampuan dalam Data Sains (0:17-9:37)
- > Berkarir di Bidang Data Sains (0:22-9:15)
- > Berkarir di Bidang Data Sains Lanjutan (0:18-5:51)
- > Penutup Data Sains (0:18-2:43)
- Mengetahui fungsi dan cara memvalidasi proyek
- > Memvalidasi Proyek Data Sains (0:18-5:34)
- Mengetahui langkah untuk merencanakan proyek
- > Menentukan Objektif Bisnis dalam Data Sains (0:23-6:15)
- > Menentukan Objektif Bisnis dalam Data Sains Lanjutan (0:18-5:52)
- > Memvalidasi Proyek Data Sains (5:36-8:25)
- > Merencanakan Proyek Data Sains (0:29-7:16)
- > Merencanakan Proyek Data Sains Lanjutan (0:19-6:03)
- Mengetahui fungsi, model, dan evaluasi machine learning
- > Apa itu Machine Learning (0:31-3:05)
- > Machine Learning - Supervised Learning (0:53-3:45)
- > Machine Learning - Supervised Learning Lanjutan (0:11-8:20)
- > Machine learning - Unsupervised Learning (0:32-6:04)
- > Machine learning - Unsupervised Learning Lanjutan (0:11-5:46)
- > Evaluasi Model Machine Learning (0:28-5:18)
- > Penutup Untuk Machine Learning (0:27- 5:11)
- > Penutup Untuk Machine Learning Lanjutan (0:10-5:03)
Keterampilan (Skill):
- Menerapkan syntax pada tools dalam data science
- > Berkenalan Dengan Google Collabs (0:41-7:46)
- > Menentukan Data Awal Untuk Analisis Data (0:26-6:57)
- > Menggunakan Pandas untuk Mengolah Data (0:23-9:00)
- > Memvalidasi Data (0:26-3:23)
- > Karakteristik Data - Statistika Deskriptif (0:26-4:39)
- > Karakteristik Data - Visualisasi (0:24-5:25)
- > Menggunakan Matplotlib dan Seaborn (0:28-7:10)
- > Menentukan Hubungan Antar Variabel dengan Korelasi (0:26-6:55)
- Menerapkan tahapan mempersiapkan data
- > Membersihkan Data (0:26-7:37)
- > Transformasi Data untuk Fitur Numerik (0:27-6:30)
- > Transformasi Data untuk Fitur Kategorik (0:27-5:32)
- > Bagaimana Cara Melakukan Seleksi Fitur (0:26-5:26)
- > Bagaimana Cara Integrasi Data? Bagian Data Understanding (0:33-8:55)
- > Bagaimana Cara Integrasi Data? Bagian Data Preparation (0:20-8:32)
- > Bagaimana Cara Integrasi Data? Bagian Feature Selection (0:18-2:55)
- Menerapkan cara-cara pemodelan machine learning dan mengevaluasinya
- > Contoh Penerapan Supervised Learning (0:35-4:24)
- > Contoh Penerapan Supervised Learning Lanjutan (0:11-3:08)
- > Contoh Penerapan Unsupervised Learning (0:35-2:46)
- > Mendapatkan Label Prediksi dari Model Klasifikasi (0:30-4:44)
- > Evaluasi Model Klasifikasi (0:29-6:23)
- > Evaluasi Model Regresi (0:30-3:25)
- > Evaluasi Model Clustering (0:30-3:15)
- > Evaluasi Model Machine Learning Lainnya (0:58-6:18)
- > Skenario Pengujian dalam Machine Learning (0:30-5:09)
- > Mengenal Cross Validation (0:50-3:46)
- > Mengenal Metode Hyperparameter Tuning (0:28-3:12)
- Menerapkan machine learning pada proyek
- > Proyek Machine Learning - Persiapan (0:34-6:41)
- > Proyek Machine Learning - Memilih Algoritma (0:33-5:24)
- > Proyek Machine Learning - Cross Validation (0:35-6:03)
- > Brainstorming Perbaikan dan Pengembangan Model (1:05-4:03)
- > Brainstorming Perbaikan dan Pengembangan Model Lanjutan (0:14-6:22)
- Menerapkan tahap akhir dalam mengevaluasi proyek
- > Presentasi Solusi (0:41-8:00)
- > Rilis dan Monitor Model Data Sains (0:22-7:01)
- > Retrospektif Proyek (0:23-4:45)
Sikap (Attitude):
- Teliti dalam mengumpulkan dan menelaah data
- > Memvalidasi Data (1:30-3:10)
- > Bagaimana Cara Integrasi Data- Data Understanding (0:33-8:55)
- > Bagaimana Cara Integrasi Data- Data Preparation (0:13-5:50)
- > Bagaimana Cara Integrasi Data- Data Feature Selection (0:07-2:52)
- Cermat dalam menentukan model machine learning
- > Contoh Penerapan Supervised Learning (0:35-4:24)
- > Contoh Penerapan Supervised Learning Lanjutan (0:11-3:08)
- > Contoh Penerapan Unsupervised Learning (0:35-2:46)
- > Proyek Machine Learning - Cross Validation (5:43-6:03)
- Kritis dalam melakukan pekerjaan
- > Memvalidasi Data (1:30-3:10)
- > Memvalidasi Proyek Data Sains (0:18-5:34)
- > Brainstorming Perbaikan dan Pengembangan Model (1:05-4:03)
- > Brainstorming Perbaikan dan Pengembangan Model Lanjutan (0:14-6:22)
Materi Pelatihan:
- Bab 1 Mengenal Data Science (01:03:41)
- 1.1 Mengenal Data Science 09:57 (video)
- 1.2 Apa itu Data Sains? 06:36 (video)
- 1.3 Penggunaan Data Sains dalam Bisnis 09:53 (video)
- 1.4 Bagaimana Alur Kerja Data Sains? 07:15 (video)
- 1.5 Bagaimana Alur Kerja Data Sains? Lanjutan 04:23 (video)
- 1.6 Kemampuan dalam Data Sains 09:56 (video)
- 1.7 Berkarir di Bidang Data Sains 09:27 (video)
- 1.8 Berkarir di Bidang Data Sains Lanjutan 06:14 (video)
- Bab 2 Memahami Bisnis dan Merencanakan Proyek (41:37)
- 2.1 Menentukan Objektif Bisnis dalam Data Sains 06:27 (video)
- 2.2 Menentukan Objektif Bisnis dalam Data Sains Lanjutan 06:06 (video)
- 2.2 Memvalidasi Proyek Data Sains 08:49 (video)
- 2.3 Objektif Bisnis Menjadi Problem Data Sains 06:28 (video)
- 2.4 Merencanakan Proyek Data Sains 07:28 (video)
- 2.5 Merencanakan Proyek Data Sains Lanjutan 06:19 (video)
- Bab 3 Memahami Data (54:04)
- 3.1 Berkenalan dengan Google Collabs 08:06 (video)
- 3.2 Menentukan Data Awal untuk Analisis Data 07:17 (video)
- 3.3 Menggunakan Pandas untuk Mengolah Data 09:18 (video)
- 3.4 Memvalidasi Data 03:52 (video)
- 3.5 Karakteristik Data - Statistika Deskriptif 05:00 (video)
- 3.6 Karakteristik Data - Visualisasi 05:45 (video)
- 3.7 Menggunakan Matplotlib dan Seaborn 07:32 (video)
- 3.8 Menentukan Hubungan Antar Variabel dengan Korelasi 07:14 (video)
- Bab 4 Mempersiapkan Data (47:35)
- 4.1 Membersihkan Data 07:56 (video)
- 4.2 Transformasi Data untuk Fitur Numerik 06:51 (video)
- 4.3 Transformasi Data untuk Fitur Kategorik 05:51 (video)
- 4.4 Bagaimana cara melakukan seleksi fitur? 05:46 (video)
- 4.5 Bagaimana Cara Integrasi Data? Bagian Data Understanding 09:09 (video)
- 4.6 Bagaimana Cara Integrasi Data? Bagian Data Preparation 08:47 (video)
- 4.7 Bagaimana Cara Integrasi Data? Bagian Feature Selection 03:15 (video)
- Bab 5 Model-Model dan Algoritma Data Sains (01:26:00)
- 5.1 Apa Itu Machine Learning? 03:32 (video)
- 5.2 Machine Learning - Superviced Learning 03:52 (video) (video)
- 5.3 Machine Learning - Superviced Learning Lanjutan 08:45
- 5.4 Contoh Penerapan Superviced Learning 04:32 (video)
- 5.5 Contoh Penerapan Superviced Learning Lanjutan 03:35 (video)
- 5.6 Machine Learning - Unsuperviced Learning 06:13 (video)
- 5.7 Machine Learning - Unsuperviced Learning Lanjutan 06:11 (video)
- 5.8 Contoh Penerapan Unsuperviced Learning 03:15 (video)
- 5.9 Evaluasi Model Machine Learning 05:58 (video)
- 5.10 Mendapatkan Label Prediksi dari Model Klasifikasi 05:12 (video)
- 5.11 Evaluasi Model Klasifikasi 06:37 (video)
- 5.12 Evaluasi Model Regresi 03:50 (video)
- 5.13 Evaluasi Model Clusterig 03:51 (video)
- 5.14 Evaluasi Model Machine Learning Lainnya 07:02 (video)
- 5.15 Skenario Pengujian dalam Machine Learning 05:36 (video)
- 5.16 Mengenal cross validation 04:10 (video)
- 5.17 Mengenal Metode Hyperparameter Tuning 03:49 (video)
- Bab 6 Eksekusi Proyek dengan Machine Learning (46:37)
- 6.1 Proyek Machine Learning - Persiapan 07:14 (video)
- 6.2 Proyek Machine Learning - Memilih Algoritma 05:31 (video)
- 6.3 Proyek Machine Learning - Cross Validation 05:08 (video)
- 6.4 Proyek Machine Learning - Hyperparameter Tuning 06:47 (video)
- 6.5 Brainstorming Perbaikan dan Pengembangan Model 04:10 (video)
- 6.6 Brainstorming Perbaikan dan Pengembangan Model Lanjutan 06:48 (video)
- 6.7 Penutup Untuk Machine Learning 05:20 (video)
- 6.8 Penutup Untuk Machine Learning Lanjutan 05:39 (video)
- Bab 7 Akhiran Proyek Data Sains (23:53)
- 7.1 Presentasi Solusi 08:21 (video)
- 7.2 Rilis dan Monitor Model Data Dains 07:20 (video)
- 7.3 Retrospektif Proyek 05:06 (video)
- 7.4 Penutup Data Sains 03:06 (video)
- Bab 8 Rangkuman (09:00)
- 8.1 PDF Rangkuman Kelas 09:00 (file bacaan)
Target Peserta:
- Minimal pendidikan sarjana (S1) khususnya dari jurusan IT atau sederajat
- Tenaga profesional lainnya yang ingin merintis karier sebagai data scientist
- Masyarakat umum yang ingin mempelajari pengolahan data di bidang data science
- Memiliki gawai (PC/laptop) dan jaringan internet yang stabil untuk mengakses materi online
- Mampu mengoperasikan tools dalam pengolahan data
Durasi:
| Topik |
Durasi |
| Bab 1 Mengenal Data Science |
64 menit |
| Bab 2 Memahami Bisnis dan Merencanakan Proyek |
42 menit |
| Bab 3 Memahami Data |
54 menit |
| Bab 4 Mempersiapkan Data |
48 menit |
| Bab 5 Model-Model dan Algoritma Data Sains |
76 menit |
| Bab 6 Eksekusi Proyek dengan Machine Learning |
47 menit |
| Bab 7 Akhiran Proyek Data Sains |
24 menit |
| Bab 8 Rangkuman |
9 menit |
| Total |
372 menit |
Level:
Basic.
Metode Pembelajaran:
Self Paced Learning: Metode ajar yang digunakan adalah menggunakan kombinasi antara ceramah, studi kasus dan simulasi.
Metode Evaluasi:
- Pre Test
- Post Test
- Formative Test/Kuis
- Tugas Praktik
Jenis/Klasifikasi Sertifikat:
Peserta yang telah menyelesaikan semua kegiatan pembelajaran akan mendapatkan Sertifikat Penyelesaian jika nilai akhir di bawah 60 dan akan mendapatkan Sertifikat Kompetensi Lulus jika nilai akhir di atas 60.
Sesi Konsultasi:
Tiap Jumat, jam 16.00-17.00 WIB, via LMS.
Apa Yang Perlu Kamu Persiapkan?
Kamu hanya perlu mempersiapkan laptop/notebook, tablet, atau smartphone dengan koneksi Internet.
Fitur
- Digital content material: Peserta bisa mengakses material belajar digital
- Sertifikat penyelesaian: Peserta yang telah menyelesaikan semua kegiatan pembelajaran yang dipersyaratkan dalam kursus online akan menerima Sertifikat Penyelesaian (Certificate of Completion).
- Test akhir: tersedia
- Forum diskusi: tidak tersedia
- Online session: tersedia
- Offline meet-up: tidak tersedia
Cara Reedem Voucher:
- Buka website www.skillacademy.com atau download Aplikasi Skill Academy di Play Store.
- Pilih "MASUK" apabila sebelumnya sudah mendaftar akun Skill Academy atau pilih "DAFTAR" jika sebelumnya Anda belum pernah mendaftar akun Skill Academy.
- Klik "TUKARKAN" pada bagian penukaran voucher di homepage atau halaman prakerja.
- Isikan kode voucher yang sudah didapatkan dari Pintaria setelah melakukan pembayaran.
- Setelah penukaran berhasil silakan klik 'Lihat Kelas' atau cek pada bagian "Kelas Saya" untuk mengikuti kelasnya.
