Pelatihan dan Sertifikasi BNSP Skema Associate Data Scientist

Program offline untuk meraih Sertifikasi BNSP skema Associate Data Scientist. Investasi Rp8.500.000 per peserta—termasuk hotel/penginapan & makan, minimal 8 peserta. Info lengkap: https://mobilefaculty.com/skema-sertifikasi-bidang-komputer/

Pendahuluan

Skema Associate Data Scientist (ADS) memvalidasi kompetensi praktis pemula–menengah dalam menyiapkan data, melakukan analitik statistik, membangun model pembelajaran mesin dasar, serta menyajikan insight bisnis. Pelatihan ini menekankan praktik berbasis proyek agar peserta menghasilkan artefak siap uji: notebook analisis, pipeline sederhana, model baseline, dan executive summary.

Unit Kompetensi

Pemahaman Bisnis & Problem Framing – Merumuskan tujuan analitik, KPI, dan hipotesis.
Akuisisi & Pembersihan Data – Mengimpor, menggabungkan, membersihkan, dan memvalidasi data.
Eksplorasi & Visualisasi – EDA, statistik deskriptif, dan visualisasi naratif.
Pemodelan Dasar – Regresi/klasifikasi baseline, validasi silang, evaluasi metrik.
Pipeline & Reproducibility – Struktur proyek, versi data/model, dokumentasi.
Penyajian Insight – Ringkasan eksekutif, dashboard/storytelling, rekomendasi aksi.
Etika Data & K3 – Privasi, bias, keamanan informasi, keselamatan kerja digital.

Contoh Studi Kasus (dengan coding)

Kasus: Toko online ingin memprediksi peluang pelanggan melakukan pembelian berdasarkan aktivitas kunjungan.
Tujuan: Model klasifikasi baseline + insight fitur kunci.

# Contoh pipeline ringkas: klasifikasi pembelian
import numpy as np, pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, roc_auc_score
# Data dummy
np.random.seed(42)
n=1000
df=pd.DataFrame({
   ""views"": np.random.poisson(5, n),
   ""time_on_site"": np.random.gamma(2, 30, n),     # detik
   ""pages"": np.random.randint(1, 10, n),
   ""is_mobile"": np.random.binomial(1, 0.6, n),
   ""discount_seen"": np.random.binomial(1, 0.4, n)
})
# Probabilitas beli dipengaruhi fitur:
logit = -3 + 0.15*df[""views""] + 0.02*df[""time_on_site""] + 0.2*df[""pages""] + 0.5*df[""discount_seen""]
p = 1/(1+np.exp(-logit))
df[""purchased""] = (np.random.rand(n) < p).astype(int)
X = df.drop(columns=[""purchased""])
y = df[""purchased""]
num_cols = [""views"",""time_on_site"",""pages""]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)
sc = StandardScaler()
X_train[num_cols]=sc.fit_transform(X_train[num_cols])
X_test[num_cols]=sc.transform(X_test[num_cols])
model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)
pred = model.predict(X_test)
proba = model.predict_proba(X_test)[:,1]
print(classification_report(y_test, pred))
print(""ROC AUC:"", round(roc_auc_score(y_test, proba),3))
# Fitur paling berpengaruh (koefisien)
coef = pd.Series(model.coef_[0], index=X_train.columns).sort_values(ascending=False)
print(coef.head())

Interpretasi hasil (contoh):

ROC AUC menunjukkan kemampuan pemisahan kelas (semakin dekat 1 semakin baik).
Fitur dengan koefisien positif terbesar (mis. discount_seen, views, pages) paling berkontribusi menaikkan peluang pembelian.
Rekomendasi: Uji A/B intensitas diskon & optimasi alur halaman untuk mendorong konversi.

Silabus Pelatihan (2 Hari) & 1 Hari Uji Kompetensi

Hari	Waktu	Topik	Aktivitas & Output
Hari 1	09.00–09.30	Pembukaan & tujuan	Pre-test, kontrak belajar, overview skema
	09.30–10.30	Problem Framing	Rumuskan tujuan/KPI, hipotesis bisnis
	10.30–10.45	Coffee break	—
	10.45–12.00	Data Wrangling I	Load/merge/clean; missing & outlier
	12.00–13.00	Istirahat	—
	13.00–14.30	EDA & Statistik	Deskriptif, korelasi, visual naratif
	14.30–14.45	Coffee break	—
	14.45–16.00	Visualisasi Praktis	Plot insight & mini-story
Hari 2	09.00–10.30	Pemodelan Dasar	Regresi/klasifikasi baseline, split data
	10.30–10.45	Coffee break	—
	10.45–12.00	Evaluasi Metrik	AUC/Accuracy/MAE; overfit & cross-val
	12.00–13.00	Istirahat	—
	13.00–14.30	Pipeline & Repo	Struktur proyek, notebook to script, versi
	14.30–14.45	Coffee break	—
	14.45–16.00	Storytelling & Deck	Executive summary & rekomendasi
Hari 3 (Uji Kompetensi)	09.00–10.00	Briefing uji	APL-01/02, tata tertib
	10.00–12.00	Unjuk kerja	E2E mini-project, notebook & model
	12.00–13.00	Istirahat	—
	13.00–15.00	Wawancara asesmen	Klarifikasi bukti, etika & bias
	15.00–16.00	Rekomendasi	Keputusan K/BK & umpan balik

Rincian Unit Kompetensi & Uraian Tugas

Pemahaman Bisnis – Menggali konteks, mendefinisikan KPI, menyusun hipotesis; Output: problem statement & success metric.
Akuisisi & Pembersihan Data – Menggabungkan sumber, menangani missing/outlier; Output: dataset bersih & data dictionary.
EDA & Visualisasi – Statistik deskriptif, grafik naratif; Output: notebook EDA & insight awal.
Pemodelan Dasar – Membangun model baseline, validasi, tuning sederhana; Output: model + metrik (AUC/Accuracy/MAE).
Pipeline & Reproducibility – Struktur repo, environment, versi data/model; Output: folder proyek & README.
Penyajian Insight – Executive summary, rekomendasi berbasis data; Output: deck singkat/mini-dashboard.
Etika Data – Privasi, bias, keamanan; Output: checklist etika & catatan mitigasi.

Kesimpulan

Kami menyelenggarakan pelatihan dan sertifikasi BNSP skema Associate Data Scientist secara offline dengan biaya Rp8.500.000 per peserta (sudah termasuk hotel/penginapan & makan, minimal 8 peserta). Lihat detail & harga: https://mobilefaculty.com/skema-sertifikasi-bidang-komputer/