Panduan Proyek Akhir (Capstone Project)

Pedoman komprehensif pengerjaan Capstone Project Data Science & AI berbasis masalah riil organisasi, etika data nyata, dan deployment ke cloud publik.

Penyusun Modul: Mahendar Dwi Payana
Acuan Silabus: Thematic Academy DTS Kominfo RI - STEI ITB & SKKNI No. 299 Tahun 2020


1. Tujuan Utama Capstone Project

Tugas Akhir (Capstone Project) adalah pembuktian integrasi seluruh 16 unit capaian pembelajaran yang telah dipelajari selama 8 minggu pelatihan.

Peserta ditantang untuk menerapkan siklus hidup sains data penuh (End-to-End Data Science Lifecycle) untuk memecahkan permasalahan nyata yang dihadapi oleh institusi, perguruan tinggi, instansi pemerintah, atau dunia usaha industri.


2. Ketentuan Tim & Tata Kelola

  • Formasi Kelompok: Setiap kelompok beranggotakan 3 orang (kecuali 1 kelompok dengan 4 orang bila jumlah peserta ganjil).
  • Peran Anggota Tim (Disarankan):
    • Data / ML Engineer: Bertanggung jawab atas akuisisi data, pra-pemrosesan, pipeline scaling, dan deployment API.
    • Data Scientist / Modeler: Bertanggung jawab atas perumusan masalah, eksplorasi EDA, eksperimen algoritma, dan validasi tuning model.
    • Full-Stack / Product Lead: Bertanggung jawab atas desain antarmuka web, integrasi visualisasi, dan laporan evaluasi bisnis.

3. Regulasi Etika Pemilihan Dataset (Kritis)

Panitia dan kurikulum menetapkan aturan tegas terkait integritas data:

A. Data yang Diizinkan & Direkomendasikan

  1. Data Riil Organisasi Mandiri: Data internal dari universitas, laboratorium riset, instansi tempat bekerja, atau mitra bisnis.
  2. Data Terbuka Nasional (Open Data): Data resmi dari portal pemerintah Republik Indonesia, seperti:
  3. Etika & Anonimisasi: Seluruh data yang mengandung identitas pribadi rahasia (Personally Identifiable Information - PII) wajib disamarkan atau dienkripsi sebelum digunakan.

B. Larangan Keras (Diskualifikasi Otomatis)

[!CAUTION] Dilarang keras menggunakan dataset mainan (toy dataset) publik yang sudah bersih dan populer di tutorial internet, seperti:

  • Repositori Kaggle Datasets umum (Titanic, Iris, House Prices, Credit Card Fraud umum).
  • Repositori UCI Machine Learning Repository (archive.ics.uci.edu).
  • Benchmark dataset akademis lama (MNIST murni, CIFAR-10, Boston Housing).

4. Jadwal Pengumpulan Milestone 8 Pekan

PekanTanggal SesiFokus Capaian PembelajaranLuaran (Deliverable) yang DikumpulkanBatas Pengumpulan
131 Jul - 1 AguPembentukan TimFormulir Daftar Anggota Kelompok & Pembagian Peran6 Agustus
27 - 8 AguMetodologi Data ScienceDraf Deskripsi Masalah & Formulasi Objektif Bisnis13 Agustus
314 - 15 AguBusiness & Data UnderstandingRevisi Deskripsi Masalah & Laporan Statistik Data Awal20 Agustus
421 - 22 AguVisualisasi & PembersihanLaporan Analisis EDA & Log Pembersihan Data (Cleansing)27 Agustus
528 - 29 AguKonstruksi & Rekayasa FiturDataset Terproses (Scaling, Encoding, Feature Selection)3 September
64 - 5 SepModel Klasifikasi & RegresiSkrip Pelatihan Model Terawasi & Papan Skor Eksperimen10 September
711 - 12 SepModel Klastering & ANNImplementasi Model Segmentasi / Jaringan Saraf Tiruan17 September
818 - 19 SepEvaluasi & DeploymentTautan Aplikasi Web Aktif di Cloud + Laporan Teknis26 September

5. Kriteria Penilaian Akhir (Bobot 50% dari Nilai Kelulusan)

  1. Relevansi Masalah Bisnis (15%): Ketajaman dalam memetakan problem bisnis nyata ke dalam perumusan machine learning yang dapat diukur.
  2. Ketelitian Data Preparation & EDA (25%): Kebersihan data, teknik imputasi rasional, rekayasa fitur yang kreatif, dan bebas dari kebocoran data (data leakage).
  3. Rigorousitas Pemodelan & Validasi (25%): Pemilihan metrik evaluasi yang tepat, skenario Stratified Cross-Validation, dan komparasi algoritma yang adil.
  4. Kualitas Aplikasi Web Operasional (25%): Kemudahan antarmuka bagi pengguna awam, kestabilan inferensi prediksi, dan waktu respon layanan di cloud.
  5. Dokumentasi & Laporan Akhir (10%): Kejelasan struktur repositori GitHub, README, dan paparan kesimpulan ilmiah.

On this page