Pelatihan dan Uji Kompetensi BNSP Skema untuk Pengembangan Model Machine Learning Terpercaya (Data Scientist)

20-Dec-2025

Pembuat : Admin Mobile Faculty

Kategori : Media Pembelajaran

Pelatihan dan Uji Kompetensi BNSP Skema untuk Pengembangan Model Machine Learning Terpercaya (Data Scientist)

Pendahuluan:
Pelatihan ini menekankan pada pembangunan model machine learning yang tidak hanya akurat, tetapi juga adil, transparan, dan dapat dipertanggungjawabkan. Fokus pada MLOps dan etika algoritma.

Tujuan Program:
1. Membangun kemampuan dalam membuat model yang bebas bias dan menjelaskan logika keputusannya.
2. Mengimplementasikan praktik MLOps untuk lifecycle manajemen model.
3. Menyiapkan peserta menghadapi uji kompetensi BNSP dalam konteks keandalan model.

Sasaran Peserta:
Data scientist, ML engineer, dan tim AI yang ingin meningkatkan kredibilitas model mereka di lingkungan produksi.

Unit Kompetensi Skema:

  • No: 1, Kode Unit: DS.ML.001.01, Nama Unit: Menerapkan Algoritma Machine Learning untuk Prediksi Data
  • No: 2, Kode Unit: DS.XA.027.01, Nama Unit: Melakukan Analisis XAI (Explainable AI)
  • No: 3, Kode Unit: DS.MO.028.01, Nama Unit: Mengelola Lifecycle Model Machine Learning (MLOps)
  • No: 4, Kode Unit: DS.EA.029.01, Nama Unit: Mengevaluasi Etika dan Bias dalam Model Data
  • No: 5, Kode Unit: DS.VA.030.01, Nama Unit: Memvalidasi Akurasi dan Stabilitas Model

Penutup:
Harga per peserta: Rp 10.000.000 dengan minimal peserta 15 orang. Termasuk toolkit validasi model dan studi kasus praktis.

Hashtag:

data scientist BNSP sertifikasi data uji kompetensi machine learning explainable AI XAI MLOps etika AI model interpretasi DS.ML.001.01 DS.XA.027.01 DS.MO.028.01 DS.EA.029.01 DS.VA.030.01 model transparan model adil algoritma bebas bias lifecycle model deployment model monitoring model drift detection fairness metrics model explainability AI ethics trustworthy AI ML governance data science etis Python libraries SHAP LIME MLflow Kubeflow AI fairness sertifikasi nasional pelatihan BNSP kompetensi AI data science indonesia model reliability model validation