Pelatihan Kompetensi Associate Data Scientist Bersertifikat BNSP

Program offline berorientasi proyek untuk meraih Sertifikasi BNSP skema Associate Data Scientist. Biaya Rp8.500.000 per peserta—sudah termasuk hotel/penginapan & makan, minimal 8 peserta. Detail & pendaftaran: https://mobilefaculty.com/skema-sertifikasi-bidang-komputer/

Pendahuluan

Skema Associate Data Scientist (ADS) memvalidasi kompetensi awal–menengah: merumuskan masalah bisnis, mengolah data, melakukan EDA & visualisasi, membangun model machine learning dasar, mengevaluasi performa, dan menyusun rekomendasi berbasis data. Kelas disusun berbasis kompetensi dan hands-on, sehingga peserta menghasilkan artefak siap uji: dataset bersih, notebook EDA, model baseline, dan executive summary sesuai standar asesmen BNSP.

Unit Kompetensi

Problem Framing & KPI – Menetapkan tujuan analitik, KPI, hipotesis, ruang lingkup.
Akuisisi & Pembersihan Data – ELT, integrasi sumber, penanganan missing/outlier, validasi kualitas.
EDA & Visualisasi – Statistik deskriptif, korelasi, storytelling visual.
Pemodelan Dasar – Regresi/klasifikasi baseline, split data, validasi, metrik.
Pipeline & Reproducibility – Struktur proyek, environment, versioning data/model, dokumentasi.
Storytelling & Rekomendasi – Executive summary, deck singkat, rekomendasi aksi.
Etika Data & Keamanan – Privasi, bias, keamanan informasi, K3 digital.

Contoh Studi Kasus (dengan coding)

Kasus: Prediksi peluang pembelian pelanggan e-commerce dari perilaku kunjungan.

# 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
np.random.seed(55)
n = 1200
df = pd.DataFrame({
   ""views"": np.random.poisson(6, n),
   ""time_on_site"": np.random.gamma(2.2, 28, n),  # detik
   ""pages"": np.random.randint(1, 12, n),
   ""is_mobile"": np.random.binomial(1, 0.62, n),
   ""discount_seen"": np.random.binomial(1, 0.45, n)
})
logit = -2.8 + 0.14*df[""views""] + 0.018*df[""time_on_site""] + 0.19*df[""pages""] + 0.55*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""]
Xtr, Xte, ytr, yte = train_test_split(X, y, test_size=0.2, stratify=y, random_state=55)
sc = StandardScaler()
Xtr[num_cols] = sc.fit_transform(Xtr[num_cols]); Xte[num_cols] = sc.transform(Xte[num_cols])
model = LogisticRegression(max_iter=1000).fit(Xtr, ytr)
pred  = model.predict(Xte)
proba = model.predict_proba(Xte)[:,1]
print(classification_report(yte, pred))
print(""ROC AUC:"", round(roc_auc_score(yte, proba), 3))
print(""Top Coef:"", pd.Series(model.coef_[0], index=Xtr.columns).sort_values(ascending=False).head(5))

Interpretasi cepat:

ROC AUC menunjukkan kemampuan model membedakan pembeli vs non-pembeli.
Koefisien positif terbesar (sering discount_seen, views, pages) → kandidat fitur prioritas untuk optimasi.
Aksi lanjut: Uji A/B intensitas diskon & sederhanakan alur checkout pada segmen views tinggi.

Silabus (2 Hari Pelatihan + 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	Tujuan/KPI, hipotesis, scope & asumsi
	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 Praktis	Deskriptif, korelasi, insight cepat
	14.30–14.45	Coffee break	—
	14.45–16.00	Visualisasi	Storytelling visual & best practice
Hari 2	09.00–10.30	Modeling Dasar	Regresi & klasifikasi baseline
	10.30–10.45	Coffee break	—
	10.45–12.00	Evaluasi Metrik	Accuracy, AUC, confusion matrix
	12.00–13.00	Istirahat	—
	13.00–14.30	Pipeline & Repo	Struktur proyek, reproducibility
	14.30–14.45	Coffee break	—
	14.45–16.00	Storytelling & Deck	Executive summary & rekomendasi
Hari 3 (Uji Kompetensi)	09.00–10.00	Briefing & administrasi	APL-01/02, tata tertib uji
	10.00–12.00	Unjuk Kerja/Portofolio	Mini-project E2E: data→model→insight
	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

Problem Framing & KPI – Menyusun tujuan, KPI, hipotesis; Bukti: problem statement & success metric.
Akuisisi & Pembersihan Data – Integrasi sumber, menangani missing/outlier; Bukti: dataset bersih & data dictionary.
EDA & Visualisasi – Analisis deskriptif, grafik naratif; Bukti: notebook EDA & insight kunci.
Pemodelan Dasar – Model baseline, validasi, pemilihan metrik; Bukti: artefak model & ringkasan metrik.
Pipeline & Reproducibility – Struktur repo, environment, versioning; Bukti: folder proyek, requirements, README.
Storytelling & Rekomendasi – Executive summary & rekomendasi aksi; Bukti: slide/brief eksekutif.
Etika Data & Keamanan – Privasi, bias, keamanan; Bukti: checklist etika & mitigasi risiko.

Kesimpulan

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