PERHATIAN!

1. 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.
2. Jika kamu pengguna Kartu Prakerja, harap gunakan nama, alamat email, dan nomor HP yang sama dengan yang kamu gunakan ketika mendaftar Kartu Prakerja.
Mengelola Usaha Sebagai Pemilik Toko Perdagangan
3. 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%).
4. Kursus yang sudah dibeli/sudah melakukan pembayaran melalui Prakerja atau pembayaran lainnya tidak dapat dibatalkan dan/atau direfund.

Deskripsi:

Dalam program pelatihan ini peserta akan mempelajari tentang cara menentukan objektif bisnis dan tujuan teknis data science, melakukan data understanding (mengumpulkan, menelaah, dan memvalidasi data), melakukan data preparation (memilah, membersihkan, mengkonstruksi, menentukan label, dan mengintegrasikan data), serta mengembangkan dan mengevaluasi model. Dengan mempelajari topik-topik tersebut peserta dapat meningkatkan atau menambah kompetensi dan keterampilan sebagai seorang Data Scientist.

Tujuan Umum:

Peserta mampu mengaplikasikan prinsip, prosedur, dan sikap profesional dalam mengolah data dalam bidang data science untuk ahli statistika umum dengan standar nasional (SKKNI Sub Bidang Data Science) dan prosedur yang berlaku.

Tujuan Khusus:

• Peserta mampu menyatakan definisi, urgensi, daftar tugas, tanggung jawab, skillset, peluang dan prospek karier Data Scientist 
• Peserta mampu menyebutkan istilah-istilah yang berhubungan dengan bidang data science
• Peserta mampu menjelaskan data science framework
• Peserta mampu menjelaskan berbagai jenis bahasa pemrograman untuk data science: Python, R, SQL, Scala
• Peserta mampu mengimplementasikan skillset yang harus dikuasai oleh Data Scientist
• Peserta mampu menunjukkan sikap reflektif diri untuk memiliki skillset untuk menjadi Data Scientist 
• Peserta mampu menjelaskan konsep dasar dan langkah-langkah dalam menentukan objektif bisnis
• Peserta mampu menjelaskan berbagai strategi dalam menyusun task, tujuan teknis Data Science sesuai objektif bisnis serta kriteria kesuksesannya
• Peserta mampu menentukan objektif bisnis, menyusun task dan tujuan teknis Data Science sesuai objektif bisnis dengan menunjukkan sikap teliti dan sistematis
• Peserta mampu menjelaskan konsep dasar, karakter, jenis-jenis, metode, dan tools untuk pengambilan data
• Peserta mampu mengidentifikasi tipe dan relasi data, menerapkan langkah-langkah untuk mengambil data dengan metode dan tools tertentu dengan sikap teliti, serta menyajikan data dengan deskripsi statistik dasar dan visualisasi grafik secara tepat dan kreatif
• Peserta mampu menyebutkan indikator penilaian kualitas dan tingkat kecukupan data
• Peserta mampu membuat laporan telaah data dan rekomendasi hasil penilaian kecukupan data dengan menunjukkan sikap teliti dan analitis
• Peserta mampu menyebutkan kriteria dan teknik pemilihan data
• Peserta mampu menjelaskan pengetahuan dasar tentang attributes (columns) dan records (row) data 
• Peserta mampu menyatakan definisi, jenis, dan strategi pembersihan data kotor
• Peserta mampu menjelaskan teknik rekayasa fitur untuk pembangunan model Data Science
• Peserta mampu menyebutkan daftar aplikasi dan cara untuk menentukan label data serta berbagai strategi memeriksa dataset yang beragam
• Peserta mampu mengidentifikasi analisis data untuk menentukan representasi fitur data awal
• Peserta mampu menerapkan langkah-langkah menentukan attributes (columns) dan records (row) data dengan menunjukkan sikap teliti
• Peserta mampu membuat laporan dan rekomendasi hasil membersihkan data dengan teliti
• Peserta mampu menjelaskan teknik, tools, parameter evaluasi hasil pemodelan data
• Peserta mampu menguraikan pengetahuan dasar tentang skenario uji dan matrik evaluasi
• Peserta mampu mengidentifikasi secara teliti dan kritis teknik-teknik pemodelan data yang sesuai dengan karakteristik data dan tujuan teknis data science

Aspek Kompetensi:

Pengetahuan (Knowledge):

 1. Definisi, Urgensi, Daftar Tugas, Tanggung Jawab, Skillset, Peluang dan Prospek Karir Data Scientist 

 2. Istilah yang Berhubungan dengan Data Science: AI, Machine Learning dan Big Data

 3. Data Science Framework

 4. Berbagai Jenis Bahasa Pemrograman untuk Data Science: Python, R, SQL, Scala

Terdapat di materi: Menjadi Seorang Data Scientist

 5. Konsep Dasar dan Langkah-Langkah Menentukan Objektif Bisnis

 6. Pengetahuan Dasar dan Kriteria Kesuksesan Tujuan Teknis Data Science

 7. Berbagai Strategi Menyusun Task dan Tujuan Teknis Data Science sesuai Objektif Bisnis

Terdapat di materi: Menentukan Objektif Bisnis dan Tujuan Teknis Data Scientist

 8. Konsep Dasar, Karakter, Jenis-Jenis, Metode, dan Tools untuk Pengambilan Data

 9. Tata Cara Menganalisis Tipe dan Relasi Data

 10. Indikator Penilaian Kualitas Data dan Tingkat Kecukupan Data

Terdapat di materi: Data Understanding: Mengumpulkan, Menelaah, dan Memvalidasi Data

 11. Kriteria dan Teknik Pemilihan Data

 12. Penggunaan Attributes (Columns) dan Records (Row) Data 

 13. Definisi, Jenis, dan Strategi Pembersihan Data Kotor

 14. Teknik Analisis Data untuk Menentukan 

Representasi Fitur Data Awal 

 15. Teknik Rekayasa Fitur untuk Pembangunan Model Data Science

 16. Daftar Aplikasi dan Cara untuk Menentukan Label Data

 17. Berbagai Strategi untuk Memeriksa Dataset yang Beragam

 Terdapat di materi: Data Preparation: Memilah, Membersihkan, Mengonstruksi, Menentukan Label, dan Mengintegrasikan Data 

 18. Teknik, Tools, Parameter Evaluasi Hasil Pemodelan Data

 19. Pengetahuan Dasar tentang Skenario Uji dan Matrik Evaluasi

 Terdapat di materi: Mengembangkan dan Mengevaluasi Model

Keterampilan (Skill):

 1. Mengimplementasikan skillset yang harus dikuasai oleh Data Scientist

 Terdapat di materi: Menjadi seorang Data Scientist

 2. Menerapkan langkah-langkah menentukan objektif bisnis dan menyusun task serta tujuan teknis Data Science sesuai objektif bisnis

 Terdapat di materi: Menentukan Objektif Bisnis dan Tujuan Teknis Data Science

 3. Menerapkan langkah-langkah untuk mengambil data dengan metode dan tools tertentu 

 4. Menyajikan data dengan deskripsi statistik dasar dan visualisasi grafik

 5. Membuat laporan telaah data dan rekomendasi hasil penilaian kecukupan data 

 Terdapat di materi: Data Understanding: Mengumpulkan, Menelaah, dan Memvalidasi Data

 6. Mengidentifikasi analisis data untuk menentukan representasi fitur data awal

 7. Menerapkan langkah-langkah dalam menentukan attributes (columns) dan records (row) data 

 8. Membuat laporan dan rekomendasi hasil membersihkan data 

 Terdapat di materi: Data Preparation: Memilah, Membersihkan, Mengonstruksi, Menentukan Label, dan Mengintegrasikan Data 

 9. Mengidentifikasi teknik-teknik pemodelan data yang sesuai dengan karakteristik data dan tujuan teknis data science

 Terdapat di materi: Mengembangkan dan Mengevaluasi Model

Sikap (Attitude):

1. Reflektif diri untuk memiliki skillset okupasi Data Scientist 

 Terdapat di materi: Menjadi seorang Data Scientist

 2.Teliti dan sistematis dalam menentukan objektif bisnis dan menyusun task serta tujuan teknis data science sesuai objektif bisnis

 Terdapat di materi: Menentukan Objektif Bisnis dan Tujuan Teknis Data Science

 3. Teliti dan tepat dalam menerapkan langkah-langkah untuk mengambil data dengan metode dan tools tertentu 

 4. Teliti dan kreatif dalam menyajikan data dengan deskripsi statistik dasar dan visualisasi grafik

 5. Teliti dan analitis dalam membuat laporan telaah data dan rekomendasi hasil penilaian kecukupan data 

 Terdapat di materi: Data Understanding: Mengumpulkan, Menelaah, dan Memvalidasi Data

 6. Teliti dalam menentukan attributes (columns) dan records (row) data 

 7. Teliti dalam membuat laporan dan rekomendasi hasil membersihkan data 

 Terdapat di materi: Data Preparation: Memilah, Membersihkan, Mengonstruksi, Menentukan Label, dan Mengintegrasikan Data 

 8. Kritis dan teliti dalam mengidentifikasi teknik-teknik pemodelan data sesuai karakteristik data dan tujuan teknis data science

 Terdapat di materi: Mengembangkan dan Mengevaluasi Model

Materi Pelatihan:

 TOPIK 1: Menjadi seorang Data Scientist 67 Minutes 21 Seconds

•  1.1.Apa itu Profesi Data Scientist dan Urgensinya? (Video) 5:17
•  1.2.Tugas dan Tanggung Jawab Data Scientist (Video) 9:59
•  1.3.Skillset seorang Data Scientist (Video) 9:54
•  1.4.Peluang dan Prospek Karier Data Scientist (Video) 9:59
•  1.5.Istilah yang Berhubungan dengan Data Science: AI, Machine Learning dan Big Data (Video) 9:56
•  1.6.Data Science Framework Bagian 1 (Video) 5:17
•  1.7.Data Science Framework Bagian 2 (Video) 5:26
•  1.8.Berbagai Jenis Bahasa Pemrograman untuk Data Science: Python, R, SQL, Scala Bagian 1 (Video) 5:32
•  1.9.Berbagai Jenis Bahasa Pemrograman untuk Data Science: Python, R, SQL, Scala Bagian 2 (Video) 6:01

 TOPIK 2: Menentukan Objektif Bisnis dan Tujuan Teknis Data Science 43 Minutes 29 Seconds

•  2.1.Langkah-Langkah Menentukan Objektif Bisnis Bagian 1 (Video) 5:10
•  2.2.Langkah-Langkah Menentukan Objektif Bisnis Bagian 2 (Video) 5:22
•  2.3.Mengenal Task dalam Bidang Data Science (Video) 9:59
•  2.4.Strategi Menyusun Task dan Tujuan Teknis Data Science sesuai Objektif Bisnis Bagian 1 (Video) 5:53
•  2.5.Strategi Menyusun Task dan Tujuan Teknis Data Science sesuai Objektif Bisnis Bagian 2 (Video) 5:06
•  2.6.Kriteria Kesuksesan Tujuan Teknis Data Science Bagian 1 (Video) 4:59
•  2.7.Kriteria Kesuksesan Tujuan Teknis Data Science Bagian 2 (Video) 7:00

 TOPIK 3: Data Understanding: Mengumpulkan, Menelaah, dan Memvalidasi Data 130 Minutes 34 Seconds

•  3.1.Mengenal Data Bagian 1 (Video) 4:33
•  3.2.Mengenal Data Bagian 2 (Video) 6:23
•  3.3.Karakter dan Jenis-Jenis Data Bagian 1 (Video) 6:40
•  3.4.Karakter dan Jenis-Jenis Data Bagian 2 (Video) 4:16
•  3.5.Metode Pengambilan Data (Video) 9:53
•  3.6.Tools untuk Pengambilan Data Bagian 1 (Video) 6:38
•  3.7.Tools untuk Pengambilan Data Bagian 2 (Video) 3:57
•  3.8.Demonstrasi: Mengambil Data dengan Metode dan Tools Tertentu Bagian 1 (Video) 7:16
•  3.9.Demonstrasi: Mengambil Data dengan Metode dan Tools Tertentu Bagian 2 (Video) 4:05
•  3.1.Cara Menganalisis Tipe dan Relasi Data Bagian 1 (Video) 5:24
•  3.11.Cara Menganalisis Tipe dan Relasi Data Bagian 2 (Video) 5:14
•  3.12.Demonstrasi: Menyajikan Data dengan Deskripsi Statistik Dasar Bagian 1 (Video) 5:09
•  3.13.Demonstrasi: Menyajikan Data dengan Deskripsi Statistik Dasar Bagian 2 (Video) 6:14
•  3.14.Demonstrasi: Menyajikan Data dengan Visualisasi Grafik Bagian 1 (Video) 6:05
•  3.15.Demonstrasi: Menyajikan Data dengan Visualisasi Grafik Bagian 2 (Video) 4:33
•  3.16.Demonstrasi: Membuat Laporan Telaah Data Bagian 1 (Video) 5:36
•  3.17.Demonstrasi: Membuat Laporan Telaah Data Bagian 2 (Video) 4:59
•  3.18.Indikator Penilaian Kualitas Data Bagian 1 (Video) 5:29
•  3.19.Indikator Penilaian Kualitas Data Bagian 2 (Video) 5:56
•  3.2.Indikator Penilaian Tingkat Kecukupan Data Bagian 1 (Video) 4:48
•  3.21.Indikator Penilaian Tingkat Kecukupan Data Bagian 2 (Video) 5:57
•  3.22.Demonstrasi: Membuat Rekomendasi Hasil Penilaian Kecukupan Data Bagian 1 (Video) 3:35
•  3.23.Demonstrasi: Membuat Rekomendasi Hasil Penilaian Kecukupan Data Bagian 2 (Video) 7:54

 TOPIK 4: Data Preparation: Memilah, Membersihkan, Mengonstruksi, Menentukan Label, dan Mengintegrasikan Data 97 Minutes 23 Seconds

•  4.1.Kriteria dan Teknik Pemilihan Data Bagian 1 (Video) 4:17
•  4.2.Kriteria dan Teknik Pemilihan Data Bagian 2 (Video) 6:49
•  4.3.Mengenal Attributes (Columns) dan Records (Row) Data (Video) 5:03
•  4.4.Demonstrasi: Langkah-Langkah Menentukan Attributes (Columns) dan Records (Row) Data Bagian 1 (Video) 5:44
•  4.5.Demonstrasi: Langkah-Langkah Menentukan Attributes (Columns) dan Records (Row) Data Bagian 2 (Video) 5:49
•  4.6.Jenis-Jenis Data Kotor (Video) 9:59
•  4.7.Strategi Pembersihan Data yang Kotor (Video) 9:59
•  4.8.Demonstrasi: Membuat Laporan dan Rekomendasi Hasil Membersihkan Data Bagian 1 6:48
•  4.9.Demonstrasi: Membuat Laporan dan Rekomendasi Hasil Membersihkan Data Bagian 2 (Video) 4:26
•  4.10.Analisis Data untuk Menentukan Representasi Fitur Data Awal (Video) 9:58
•  4.11.Teknik Rekayasa Fitur untuk Pembangunan Model Data Science Bagian 1 (Video) 5:33
•  4.12.Teknik Rekayasa Fitur untuk Pembangunan Model Data Science Bagian 2 (Video) 5:20
•  4.13.Aplikasi dan Cara untuk Menentukan Label Data (Video) 10:00
•  4.14.Strategi Memeriksa Dataset yang Beragam (Video) 7:38

 TOPIK 5: Mengembangkan dan Mengevaluasi Model 49 Minutes 29 Seconds

•  5.1.Tools untuk Pemodelan Data (Video) 5:37
•  5.2.Skenario Uji dan Matrik Evaluasi (Video) 9:16
•  5.3.Teknik-Teknik Pemodelan Data (Video) 9:59
•  5.4.Parameter Evaluasi Hasil Pemodelan (Video) 8:26
•  5.5.Studi Kasus: Kesuksesan suatu Pemodelan Bagian 1 (Video) 5:51
•  5.6.Studi Kasus: Kesuksesan suatu Pemodelan Bagian 2 (Video) 7:59
•  5.7.Penjelasan Tugas Praktik (Video) 2:21

Target Peserta:

Pelatihan ini dapat diikuti oleh : 

 1. Peserta yang memiliki ketertarikan di bidang statistika, pemrograman, dan bisnis

 2. Peserta yang memiliki minimal pendidikan S1 jurusan saintek/statistika/matematika

 3. Peserta yang memiliki perangkat dan jaringan internet

 4. Peserta yang memiliki kemampuan komputasi dan bisnis 

Durasi Online:

Level:

Basic

Metode Pembelajaran:

Self Paced Learning: Metode ajar yang digunakan adalah menggunakan kombinasi antara ceramah, studi kasus dan simulasi.

Metode Evaluasi:

1. Pre Test
2. Post Test
3. Formative Test/Kuis
4. 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.

Jadwal Sesi Konsultasi:

Setiap Hari Selasa, pukul 09.00-10.00 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 Redeem Voucher:

1. Masuk ke link web https://upskill.cakap.com/tukar-kode-belajar
2. Registrasikan dirimu
3. Masukan kode belajar dari pembelian kamu
4. Klik tombol "Tukar Kode"

Atau

1. Download aplikasi pada link https://bit.ly/CakapPintaria
2. Lakukan registrasi dengan mengisi data kamu
3. Jika sudah masuk ke aplikasi, klik tombol menu "Upskill"
4. Klik tulisan "Redeem"
5. Masukan kode voucher dan klik "redeem" 

Syarat dan Ketentuan:

1. Voucher tidak dapat digabungkan dengan promosi lainnya
2. Voucher hanya dapat digunakan 1x per user
3. Voucher bersifat non-refundable atau tidak dapat diuangkan
4. Apabila mengalami kesulitan dapat menghubungi tim support kami di +6281287160055