Silabus Lengkap 16 Pertemuan

Matriks kurikulum terpadu 8 minggu (16 pertemuan) Data Science & AI dengan rincian capaian pembelajaran, jam pelajaran, dan unit SKKNI No. 299/2020.

Dokumen ini memuat catatan silabus komprehensif untuk program pembelajaran Data Science & Artificial Intelligence, disusun oleh Mahendar Dwi Payana dengan acuan SKKNI No. 299 Tahun 2020 dan kurikulum Thematic Academy DTS Kominfo RI bersama STEI ITB.


Matriks Kurikulum 16 Pertemuan

SesiTopik PertemuanCapaian Pembelajaran (Learning Outcome)Kode Unit Kompetensi SKKNIAlokasi JP
01Setup Lingkungan Komputasi Modern & Tools AIMenyiapkan interpreter Python 3.10+, environment virtual (venv/conda), JupyterLab, VS Code, Google Colab, serta akselerasi GPU (CUDA/MPS).Fondasi Komputasi2 JP Kelas
4 JP Mandiri
02Konsep Dasar, Teknologi & Aplikasi AIMemahami 4 kuadran definisi AI, arsitektur agen cerdas PEAS, 7 tipe lingkungan tugas, taksonomi problem-solving, ekosistem Industri 4.0, dan Stranas KA 2020-2045.Fondasi AI2 JP Kelas
4 JP Mandiri
03Metodologi Pengembangan Sains Data Berbasis DataMenguasai metodologi industri (CRISP-DM, KDD, SEMMA, TDSP), 21 Unit SKKNI No. 299/2020, serta studi kasus Python terpadu data imunisasi bayi DKI 2016.Metodologi AI2 JP Kelas
4 JP Mandiri
04Kakas Proyek Sains Data (Tools for Data Science)Menguasai keunggulan Python, ekosistem IDE/Colab, Git/GitHub, 6 pustaka inti, vektorisasi NumPy vs List TypeError, analisis Tab.csv dan pmp_2020_baru.csv, serta modul notebook resmi.Komputasi Numerik2 JP Kelas
4 JP Mandiri
05Business Understanding & Rencana Proyek AIMerumuskan AI vs otomasi, paradigma end-to-end ML, analisis biaya finansial asimetris, dan perancangan proyek AI nyata (Saham Tata Global & Kendaraan Otonom).J.62DMI00.001.1
J.62DMI00.002.1
J.62DMI00.003.1
2 JP Kelas
4 JP Mandiri
06Data Understanding (Non-Visualisasi)Menguasai 4 skala Stevens, 3 model data terstruktur, teknik akuisisi data multi-sumber, statistik deskriptif non-visual, studi kasus karakteristik mobil (automobileEDA.csv) dan performa pemain EPL.J.62DMI00.004.1
J.62DMI00.005.1
2 JP Kelas
4 JP Mandiri
07Exploratory Data Analysis & Visualisasi Data StatistikMenguasai visualisasi variabel vs statistik, uji hipotesis ANOVA satu arah F-test (penggerak roda mobil), dan penyelesaian tuntas 5 latihan notebook statistik resmi (05124873011-3.ipynb).J.62DMI00.005.12 JP Kelas
4 JP Mandiri
08Data Preparation: Penentuan Objek, Pembersihan & Validasi DataMenentukan objek data via sampling (probability vs non-probability), penanganan imbalanced dataset (SMOTE), 3 teknik seleksi fitur (Chi2, Extra Trees, Heatmap), serta praktik pembersihan dataset riil (British Library, University Towns, Olympics).J.62DMI00.006.1
J.62DMI00.007.1
J.62DMI00.008.1
2 JP Kelas
4 JP Mandiri
09Konstruksi & Transformasi Data NumerikMelakukan normalisasi, standarisasi (MinMax, Robust, Standard Scaler), serta transformasi distribusi (Log, Box-Cox, Yeo-Johnson).J.62DMI00.009.12 JP Kelas
4 JP Mandiri
10Feature Engineering, Encoding, Integrasi Data & LabelingMelakukan encoding fitur kategorikal (One-Hot, Dummy, Target), integrasi tabel (Merge & Join), ekstraksi fitur dengan PCA, Pseudo-Labelling, seleksi fitur, serta menetapkan label target.J.62DMI00.009.1
J.62DMI00.010.1
J.62DMI00.011.1
2 JP Kelas
4 JP Mandiri
11Skenario Model & Pemodelan KlasifikasiMerancang skenario validasi (Train-Validation Split, K-Fold, Scikit-learn Pipeline) dan melatih serta menuning model klasifikasi (Logistic Regression, SVM, Decision Tree, Naive Bayes, KNN, AdaBoost) pada dataset Iris.J.62DMI00.012.1
J.62DMI00.013.1
2 JP Kelas
4 JP Mandiri
12Pemodelan Regresi NumerikMelatih model regresi linier sederhana & variabel jamak, regresi polinomial/non-linier, SVR, Decision Tree, dan Random Forest Regression; menguji asumsi klasik Gauss-Markov serta mengevaluasi dengan MAE/MSE/RMSE/R².J.62DMI00.013.12 JP Kelas
4 JP Mandiri
13Unsupervised Learning & KlasteringMelakukan segmentasi data tak terawasi menggunakan K-Means++, Hierarchical Agglomerative, DBSCAN, serta evaluasi Silhouette.J.62DMI00.013.12 JP Kelas
4 JP Mandiri
14Deep Learning & Artificial Neural NetworksMemahami Perceptron, Multilayer Perceptron, fungsi aktivasi, Backpropagation, gradient descent, adaptive learning rate (Adam), lalu menerapkan ANN, CNN (Conv/Pooling), dan RNN dengan Scikit-learn & Keras.J.62DMI00.013.12 JP Kelas
4 JP Mandiri
15Evaluasi Diagnostik & Review ModelMengevaluasi performa model melalui Confusion Matrix, Precision/Recall/F1, ROC-AUC, PR-Curve, Log Loss, metrik regresi (MAE/MSE/RMSE/R²), metrik clustering (Silhouette/Davies-Bouldin), perbandingan model (McNemar's Test), serta interpretasi fitur dengan SHAP.J.62DMI00.014.1
J.62DMI00.015.1
2 JP Kelas
4 JP Mandiri
16Model Deployment Web & MLOpsMemahami konsep & pola deployment (static, dynamic on-device/on-server), strategi Single/Silent/Canary, reproducibility, serialisasi model (pickle/H5), serta mendeploy model Regresi Linier & ANN ke web (Flask/Heroku, FastAPI/Streamlit) beserta pemantauan drift.J.62DMI00.016.1
J.62DMI00.017.1
2 JP Kelas
4 JP Mandiri

Distribusi Jam Pelajaran (JP)

  • Total Pertemuan: 16 Pertemuan (8 Pekan / Sabtu & Minggu)
  • Tatap Muka Sinkron (Live Session): 16 sesi × 2 JP = 32 JP
  • Pembelajaran Mandiri (Hands-on & LMS): 16 sesi × 4 JP = 64 JP
  • Total Beban Pembelajaran: 96 Jam Pelajaran (JP) (@ 45 menit/JP)

On this page