Program Kompetensi dan Sertifikasi BNSP – Associate Data Scientist

Program offline untuk meraih Kompetensi & Sertifikasi BNSP skema Associate Data Scientist. Biaya 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 kemampuan pemula–menengah dalam merumuskan masalah bisnis, menyiapkan dan mengeksplorasi data, membangun model pembelajaran mesin dasar, mengevaluasi metrik, serta menyajikan insight yang dapat dieksekusi. Pelatihan disusun berbasis kompetensi dan berorientasi proyek sehingga peserta menghasilkan artefak siap uji: dataset bersih, notebook EDA, model baseline, serta executive summary.

Unit Kompetensi

Problem Framing & KPI – Tujuan analitik, KPI, hipotesis, batasan & asumsi.
Akuisisi & Pembersihan Data – Extract/Load/Merge, penanganan missing/outlier, validasi kualitas.
EDA & Visualisasi – Statistik deskriptif, korelasi, plot naratif untuk insight cepat.
Pemodelan Dasar – Regresi/klasifikasi baseline, split data, validasi, metrik evaluasi.
Pipeline & Reproducibility – Struktur proyek, environment, versioning data/model, dokumentasi.
Storytelling & Rekomendasi – Executive summary, visual, rekomendasi aksi.
Etika Data & Keamanan – Privasi, bias, keamanan informasi, K3 digital.

Contoh Studi Kasus (dengan coding)

Kasus: Prediksi peluang transaksi pelanggan e-commerce berdasarkan 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(11)
n=1200
df=pd.DataFrame({
   ""views"": np.random.poisson(6, n),
   ""time_on_site"": np.random.gamma(2.1, 30, 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=11)
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 ringkas:

ROC AUC menggambarkan kemampuan model membedakan pembeli vs non-pembeli.
Koefisien positif terbesar (biasanya discount_seen, views, pages) menandakan fitur yang paling berpengaruh.
Aksi: Lakukan A/B testing penawaran diskon dan optimasi alur halaman bernilai tinggi.

Silabus Pelatihan (2 Hari) & Uji Kompetensi (1 Hari)

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	KPI & hipotesis, batasan & 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	Plot naratif & 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	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 – Menetapkan tujuan, KPI, hipotesis; Bukti: problem statement & success metric.
Akuisisi & Pembersihan Data – Menggabungkan 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 dan sertifikasi BNSP skema Associate Data Scientist secara offline dengan biaya Rp8.500.000 per peserta (termasuk hotel/penginapan & makan, minimal 8 peserta). Cek detail & harga: https://mobilefaculty.com/skema-sertifikasi-bidang-komputer/