Menjelajahi Machine Learning dan Deep Learning
Setelah membangun fondasi dalam pemrograman dan pengolahan data, materi pembelajaran berlanjut ke topik-topik lanjutan di bidang Machine Learning. Fokus utamanya mencakup teknik seperti classification, regression, clustering, dan feature engineering yang sangat penting dalam mengolah data dan menghasilkan keputusan berbasis data.
Modul-modul yang dipelajari meliputi:
- Analisis data dengan Python
Modul ini dirancang untuk membantu peserta memahami tahapan lengkap dalam proses analisis data, mulai dari statistik deskriptif, data wrangling, hingga visualisasi data yang efektif. Melalui proyek akhir, peserta membangun dashboard interaktif menggunakan Streamlit sebagai media penyampaian hasil analisis dengan bahasa pemrograman Python. Modul ini memperkuat pemahaman sebelum memasuki pembelajaran machine learning. - Machine Learning untuk Pemula
Modul ini memberikan pemahaman dasar tentang prinsip kerja algoritma machine learning, termasuk bagaimana model dilatih menggunakan data dan digunakan untuk menyelesaikan berbagai jenis permasalahan prediktif. - Fundamental Deep Learning
Materi ini membahas konsep jaringan saraf tiruan (artificial neural networks), cara kerjanya, serta penerapannya dalam pengolahan data kompleks seperti gambar, suara, atau teks. Modul ini menjadi pintu masuk ke dunia deep learning. - Fundamental Pemrosesan Data
Modul ini fokus pada teknik prapemrosesan data, mulai dari pembersihan, transformasi, hingga visualisasi. Tahapan ini krusial agar data siap digunakan dalam pelatihan model yang andal. - Machine Learning Terapan
Di sini dipelajari bagaimana membangun dan menerapkan model machine learning dalam kasus dunia nyata, seperti analisis perilaku konsumen, prediksi tren, atau klasifikasi data dalam skala besar.
Setiap modul tidak hanya menyajikan teori, tetapi juga dilengkapi dengan proyek akhir yang mendorong peserta untuk menerapkan pengetahuan secara langsung. Dengan pendekatan project-based learning ini, proses pembelajaran menjadi lebih kontekstual, aplikatif, dan relevan dengan tantangan dunia profesional.
Capstone Project: FRUCH -- Fruit Check
Sebagai bagian dari pengalaman di program ini, saya turut mengembangkan FRUCH -- Fruit Check, sebuah aplikasi web berbasis model Machine Learning yang dapat mengklasifikasikan tingkat kematangan buah dari gambar. Proyek ini hadir sebagai respons atas rendahnya konsumsi buah segar di Indonesia, dengan menawarkan teknologi praktis yang membantu konsumen memilih buah matang secara tepat. Aplikasi ini dikembangkan menggunakan arsitektur MobileNetV2 dan di-deploy secara ringan melalui TensorFlow.js, sehingga dapat berjalan langsung di browser dan memberikan hasil prediksi secara real-time.
Kami sempat mengalami kendala saat mencoba mengintegrasikan model Machine Learning ke dalam sistem web yang kami bangun. Awalnya kami belum tahu cara terbaik agar model bisa "nyambung" dan bekerja otomatis saat pengguna mengunggah gambar. Tantangan ini cukup membingungkan, karena kami belum pernah menggabungkan model AI ke dalam aplikasi sebelumnya.
Setelah berdiskusi dengan advisor, akhirnya kami menemukan solusi menggunakan TensorFlow.js---yang memungkinkan model dijalankan langsung di browser tanpa perlu server khusus. Hasilnya? Aplikasi jadi lebih ringan, cepat, dan mudah diakses oleh siapa saja.
Proses diawali dengan pembersihan dan augmentasi dataset yang berisi gambar buah-buahan seperti apel, pisang, jeruk, dan tomat dalam kondisi matang dan busuk. Tahapan ini memastikan bahwa model dilatih dengan data yang variatif dan representatif. Setelah itu, dilakukan eksplorasi terhadap beberapa arsitektur Convolutional Neural Network (CNN). MobileNetV2 terpilih karena ringan namun tetap mampu memberikan akurasi prediksi yang baik. Model yang telah dilatih kemudian disimpan dalam format .h5 dan dikonversi ke TensorFlow.js agar dapat dijalankan langsung di sisi pengguna.
Pada tahap akhir, model terintegrasi ke dalam aplikasi web menggunakan Next.js dan Node.js. Pengguna cukup mengunggah gambar buah melalui antarmuka aplikasi, dan dalam hitungan detik akan mendapatkan hasil prediksi tingkat kematangan lengkap dengan persentase keyakinan model. Fitur riwayat prediksi juga tersedia, sehingga pengguna dapat melacak hasil sebelumnya. Aplikasi ini diharapkan dapat menjadi langkah awal dalam mendorong masyarakat untuk mengadopsi gaya hidup sehat berbasis teknologi.
Soft Skills yang Diperoleh Selama Program
