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
| Sesi | Topik Pertemuan | Capaian Pembelajaran (Learning Outcome) | Kode Unit Kompetensi SKKNI | Alokasi JP |
|---|---|---|---|---|
| 01 | Setup Lingkungan Komputasi Modern & Tools AI | Menyiapkan interpreter Python 3.10+, environment virtual (venv/conda), JupyterLab, VS Code, Google Colab, serta akselerasi GPU (CUDA/MPS). | Fondasi Komputasi | 2 JP Kelas 4 JP Mandiri |
| 02 | Konsep Dasar, Teknologi & Aplikasi AI | Memahami 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 AI | 2 JP Kelas 4 JP Mandiri |
| 03 | Metodologi Pengembangan Sains Data Berbasis Data | Menguasai metodologi industri (CRISP-DM, KDD, SEMMA, TDSP), 21 Unit SKKNI No. 299/2020, serta studi kasus Python terpadu data imunisasi bayi DKI 2016. | Metodologi AI | 2 JP Kelas 4 JP Mandiri |
| 04 | Kakas 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 Numerik | 2 JP Kelas 4 JP Mandiri |
| 05 | Business Understanding & Rencana Proyek AI | Merumuskan AI vs otomasi, paradigma end-to-end ML, analisis biaya finansial asimetris, dan perancangan proyek AI nyata (Saham Tata Global & Kendaraan Otonom). | J.62DMI00.001.1J.62DMI00.002.1J.62DMI00.003.1 | 2 JP Kelas 4 JP Mandiri |
| 06 | Data 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.62DMI00.004.1J.62DMI00.005.1 | 2 JP Kelas 4 JP Mandiri |
| 07 | Exploratory Data Analysis & Visualisasi Data Statistik | Menguasai 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.62DMI00.005.1 | 2 JP Kelas 4 JP Mandiri |
| 08 | Data Preparation: Penentuan Objek, Pembersihan & Validasi Data | Menentukan 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.62DMI00.006.1J.62DMI00.007.1J.62DMI00.008.1 | 2 JP Kelas 4 JP Mandiri |
| 09 | Konstruksi & Transformasi Data Numerik | Melakukan normalisasi, standarisasi (MinMax, Robust, Standard Scaler), serta transformasi distribusi (Log, Box-Cox, Yeo-Johnson). | J.62DMI00.009.1 | 2 JP Kelas 4 JP Mandiri |
| 10 | Feature Engineering, Encoding, Integrasi Data & Labeling | Melakukan encoding fitur kategorikal (One-Hot, Dummy, Target), integrasi tabel (Merge & Join), ekstraksi fitur dengan PCA, Pseudo-Labelling, seleksi fitur, serta menetapkan label target. | J.62DMI00.009.1J.62DMI00.010.1J.62DMI00.011.1 | 2 JP Kelas 4 JP Mandiri |
| 11 | Skenario Model & Pemodelan Klasifikasi | Merancang 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.62DMI00.012.1J.62DMI00.013.1 | 2 JP Kelas 4 JP Mandiri |
| 12 | Pemodelan Regresi Numerik | Melatih 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.62DMI00.013.1 | 2 JP Kelas 4 JP Mandiri |
| 13 | Unsupervised Learning & Klastering | Melakukan segmentasi data tak terawasi menggunakan K-Means++, Hierarchical Agglomerative, DBSCAN, serta evaluasi Silhouette. | J.62DMI00.013.1 | 2 JP Kelas 4 JP Mandiri |
| 14 | Deep Learning & Artificial Neural Networks | Memahami 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.62DMI00.013.1 | 2 JP Kelas 4 JP Mandiri |
| 15 | Evaluasi Diagnostik & Review Model | Mengevaluasi 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.62DMI00.014.1J.62DMI00.015.1 | 2 JP Kelas 4 JP Mandiri |
| 16 | Model Deployment Web & MLOps | Memahami 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.62DMI00.016.1J.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)
Portal Kurikulum Data Science & AI
Basis pengetahuan terstruktur dan silabus 16 pertemuan Data Science & AI oleh Mahendar Dwi Payana, berstandar SKKNI No. 299 Tahun 2020.
Pertemuan 01: Setup Lingkungan Komputasi Data Science Modern
Panduan komprehensif penyiapan lingkungan komputasi Python 3.10+, isolasi virtual environment, package manager (pip, conda), JupyterLab, VS Code, dan Google Colab dengan akselerasi GPU.