Uji Kompetensi & Sertifikasi BNSP – Associate Data Scientist

Program offline 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 inti level pemula–menengah: merumuskan masalah bisnis, menyiapkan & membersihkan data, melakukan EDA dan visualisasi, membangun model ML dasar, mengevaluasi metrik, serta menyampaikan insight yang dapat ditindaklanjuti. Pelatihan dirancang berbasis kompetensi dan berorientasi proyek agar peserta menghasilkan artefak siap uji: dataset bersih, notebook EDA, model baseline, serta executive summary sesuai standar asesmen BNSP.

Unit Kompetensi

Problem Framing & KPI – Menetapkan tujuan analitik, KPI, hipotesis, dan ruang lingkup.
Akuisisi & Pembersihan Data – Extract/Load/Merge, penanganan missing & outlier, validasi kualitas data.
EDA & Visualisasi – Statistik deskriptif, korelasi, visualisasi naratif untuk insight cepat.
Pemodelan Dasar – Regresi/klasifikasi baseline, split data, validasi, pemilihan 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, dan K3 digital.

Contoh Studi Kasus (dengan coding)

Kasus: Memprediksi peluang pembelian pelanggan e-commerce berdasarkan perilaku kunjungan.

# Pipeline ringkas: klasifikasi peluang 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(33)
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=33)
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)
proba = model.predict_proba(Xte)[:,1]; pred = model.predict(Xte)
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 singkat:

ROC AUC menunjukkan kemampuan model membedakan pembeli vs non-pembeli.
Fitur dengan koefisien positif terbesar (seringnya discount_seen, views, pages) berkontribusi kuat pada konversi.
Tindak lanjut: Jalankan A/B testing penawaran diskon dan optimasi alur halaman bernilai 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, 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 – Menyusun 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 – Membangun model baseline, validasi, 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. Biaya Rp8.500.000 per peserta (termasuk hotel/penginapan & makan, minimal 8 peserta). Lihat detail & harga: https://mobilefaculty.com/skema-sertifikasi-bidang-komputer/