Pelatihan Data Science — Jakarta, 23–25 September 2025 — Transformasi digital menuntut setiap organisasi untuk tidak hanya memiliki data, tetapi juga kemampuan untuk membaca, memahami, dan mengolahnya menjadi dasar pengambilan keputusan yang tepat. Menyadari urgensi tersebut, PT Waskita Karya (Persero) Tbk. melalui Divisi Risk Management kembali menggelar Inhouse Training Data Science Batch 2 bekerja sama dengan AMD Academy sebagai mitra strategis dalam pengembangan kompetensi sumber daya manusia berbasis data.
Bertempat di Ruang Classroom Lantai 16, Waskita Rajawali Tower, kegiatan ini dirancang dalam format pelatihan tiga hari yang intensif sekaligus interaktif. Para peserta diajak mengikuti rangkaian pembelajaran yang disusun secara sistematis untuk memperluas wawasan sekaligus memperkuat keterampilan teknis. Dengan kombinasi pemaparan materi, diskusi kelompok, serta praktik langsung, suasana belajar dibuat dinamis sehingga peserta dapat mengaitkan teori dengan kasus nyata yang relevan dengan kebutuhan perusahaan modern.
Pelatihan ini tidak sekadar menghadirkan materi, melainkan juga mendorong peserta membangun pola pikir baru dalam melihat data sebagai aset strategis perusahaan. Pelatihan ini dirancang untuk memberikan pemahaman mendalam tentang data science, mulai dari konsep dasar, teknik analisis data, hingga implementasi praktis yang bisa diterapkan dalam dunia kerja. Dengan kurikulum terstruktur dan dukungan instruktur profesional, peserta diharapkan mampu meningkatkan kompetensi serta siap bersaing di era digital yang berbasis data. Dengan demikian, kegiatan ini menjadi langkah nyata dalam mendukung terciptanya budaya kerja yang adaptif, modern, serta berbasis data di lingkungan Waskita Karya.
Narasumber Berpengalaman di Pelatihan Data Science
Pelatihan dan Sertifikasi BNSP Data Science yang diselenggarakan oleh AMD Academy mendapatkan dukungan penuh dari para trainer berpengalaman yang telah lama berkecimpung di bidang teknologi dan analisis data. Keahlian praktis yang mereka miliki tidak hanya sebatas teori, tetapi telah teruji melalui berbagai proyek nyata, sehingga peserta dapat memperoleh wawasan yang relevan sekaligus keterampilan yang langsung dapat diaplikasikan di dunia kerja. Kehadiran para pemateri inilah yang menjadikan pelatihan semakin bernilai, karena setiap sesi diwarnai dengan kombinasi pengetahuan akademis, studi kasus, serta pengalaman praktis yang nyata.
Ahsanun Naseh Khudori, M.Kom.
Pak Ahsanun Naseh K, Founder sekaligus CEO AMD Academy, dikenal luas berkat pengalamannya di bidang teknologi informasi, project management, hingga transformasi digital. Beliau memiliki keahlian dalam memadukan konsep manajemen risiko dengan pemanfaatan data untuk mendukung strategi perusahaan. Cara beliau menyampaikan materi sangat sistematis, dimulai dari gambaran besar peran data science hingga aplikasinya dalam meningkatkan kinerja organisasi. Dengan pendekatan yang komunikatif, Pak Ahsanun mampu membangun suasana belajar yang interaktif, sehingga peserta lebih mudah memahami pentingnya data sebagai aset strategis perusahaan.
Mahendra Data, S. Kom., M. Kom., Ph.D
Sebagai praktisi di bidang analitik dan machine learning, Pak Mahendra Data membawakan materi dengan pendekatan aplikatif yang mudah dipahami. Beliau menekankan pentingnya pemilihan metode yang sesuai dengan karakter data, serta menunjukkan bagaimana algoritma dapat digunakan untuk menghasilkan prediksi dan pengelompokan yang bermanfaat. Penyampaiannya penuh contoh konkret, sehingga peserta dapat langsung menghubungkan teori dengan implementasi di lapangan. Hal ini menjadikan sesi yang dibawakan selalu hidup, relevan, dan menambah keyakinan peserta untuk mengaplikasikan data science dalam pekerjaan sehari-hari.
Tirana Noor F, S. Kom., M. Kom., Ph.D
Ibu Tirana Noor F. adalah praktisi sekaligus trainer dengan keahlian mendalam dalam analisis data, khususnya pada eksplorasi, regresi, dan klastering. Dalam sesi yang dipandu, beliau selalu mengedepankan praktik langsung yang dikaitkan dengan kasus nyata. Peserta tidak hanya diperkenalkan pada konsep, tetapi juga dituntun langkah demi langkah dalam mengolah data hingga menghasilkan informasi yang bernilai. Gaya mengajarnya yang jelas, terarah, dan sabar membuat peserta lebih percaya diri ketika mencoba menerapkan teknik analisis pada permasalahan mereka sendiri.
Rangkaian Kegiatan Pelatihan Data Science Batch 2
Pelatihan ini dirancang dengan alur pembelajaran yang terstruktur, dimulai dari pemahaman dasar hingga ke tahap lanjutan, sehingga peserta dapat berkembang secara bertahap dan konsisten selama kegiatan berlangsung.
Hari Pertama – Selasa, 23 September 2025
Hari pertama pelatihan Inhouse Training Data Science Batch 2 berfokus pada fondasi pengetahuan peserta. Materi dimulai dengan konsep dasar data science dan teknik klasifikasi awal. Sesi pembuka menjelaskan peran data dalam strategi perusahaan, lalu peserta melakukan eksplorasi untuk memahami struktur, pola, dan kualitas data. Setelah istirahat, materi berlanjut ke klasifikasi dengan dua algoritma populer, yaitu Decision Tree dan Naive Bayes. Keduanya dipaparkan secara teoritis sekaligus dipraktikkan agar peserta memahami cara data dikategorikan menjadi informasi yang lebih bermakna.
- Sesi 1: Pengantar Data Science – Ahsanun Naseh K.
Peserta diperkenalkan dengan definisi data science, perannya dalam bisnis, serta hubungannya dengan manajemen risiko. Pemateri menjelaskan kerangka Data–Information–Knowledge–Wisdom (DIKW) dan pentingnya ekstraksi pengetahuan dari data besar. Perkembangan data science dari masa empiris hingga era big data juga dibahas untuk menegaskan urgensinya dalam strategi perusahaan. - Sesi 2: Exploratory Data Analysis (EDA) – Tirana Noor F.
Sesi ini membahas langkah awal pengolahan data, yaitu eksplorasi untuk memahami struktur, distribusi, dan pola awal. Materi menekankan teknik pembersihan data, penanganan nilai hilang, serta visualisasi sederhana seperti histogram, boxplot, dan scatterplot. Dengan EDA, peserta dapat mengidentifikasi anomali dan tren sehingga data lebih siap untuk dimodelkan dengan metode klasifikasi, regresi, atau forecasting. - Sesi 3: Klasifikasi Menggunakan Decision Tree – Mahendra Data.
Peserta belajar algoritma Decision Tree yang mudah dipahami dan digunakan untuk membentuk aturan prediktif sederhana.. Contoh kasus digunakan untuk memperlihatkan prediksi kategori, seperti kelulusan mahasiswa atau risiko proyek. Kelebihan dan keterbatasan metode ini juga dijelaskan agar peserta memahami penerapannya secara tepat. - Sesi 4: Klasifikasi Menggunakan Naive Bayes – Mahendra Data.
Materi terakhir membahas Naive Bayes Classifier, algoritma probabilistik yang memanfaatkan Teorema Bayes. Teori Bayes mempermudah perhitungan peluang data masuk dalam kategori tertentu. Contoh nyata, seperti analisis teks untuk email spam, diberikan untuk menunjukkan penerapan metode ini dalam kasus sehari-hari.
Hari Kedua – Rabu, 24 September 2025
Hari kedua diarahkan untuk memperdalam keterampilan peserta dalam melakukan estimasi dan peramalan berbasis data. Dimulai dengan regresi linear, peserta dikenalkan cara memprediksi nilai numerik melalui hubungan antarvariabel yang sederhana namun fundamental. Sesi berikutnya mengangkat Random Forest Regression, metode ensemble yang lebih kompleks namun menawarkan prediksi lebih akurat. Setelah waktu istirahat, materi berlanjut dengan forecasting menggunakan moving average. Pendekatan deret waktu ini berguna untuk memproyeksikan tren ke depan. Melalui kombinasi teori dan praktik, hari kedua memberikan pemahaman penting mengenai peran model prediktif. Peserta belajar bagaimana model dapat membantu merencanakan kebutuhan, memperkirakan biaya, serta mengantisipasi risiko dalam konteks industri konstruksi.
- Sesi 5: Estimasi Menggunakan Linear Regression – Tirana Noor F.
Peserta diperkenalkan pada konsep regresi linear sebagai metode statistik paling dasar dalam estimasi numerik. Materi menjelaskan hubungan antara variabel independen dan variabel dependen dalam bentuk persamaan linear. Contoh penerapan diberikan pada prediksi biaya proyek atau lama waktu pekerjaan berdasarkan faktor input tertentu. Selain itu, peserta juga belajar mengevaluasi kualitas model melalui koefisien determinasi (R²) dan residual error. - Sesi 6: Estimasi Menggunakan Random Forest – Tirana Noor F.
Sesi ini melanjutkan topik estimasi dengan algoritma Random Forest Regression, yang merupakan metode ensemble berbasis pohon keputusan. Peserta memahami bagaimana gabungan banyak pohon mampu memberikan hasil prediksi lebih akurat dan stabil. Pemateri menjelaskan parameter penting seperti jumlah pohon (n_estimators) dan kedalaman pohon. Contoh kasus prediksi produktivitas proyek digunakan untuk memperlihatkan keunggulan metode ini dibanding regresi sederhana. - Sesi 7: Forecasting Menggunakan Moving Average Filter – Mahendra Data.
Fokus sesi ini adalah teknik forecasting pada data deret waktu (time series). Peserta belajar menggunakan moving average untuk menghaluskan fluktuasi data sekaligus memprediksi tren jangka pendek. Materi dikaitkan dengan contoh riil, seperti memproyeksikan biaya bulanan atau kebutuhan material pada proyek konstruksi. Pemateri juga menjelaskan perbedaan simple moving average dan weighted moving average dalam meningkatkan akurasi prediksi.
Hari Ketiga – Kamis, 25 September 2025
Hari terakhir pelatihan ditujukan untuk memperkenalkan teknik klastering sekaligus mengevaluasi pembelajaran yang telah berlangsung. Peserta mempelajari dua metode populer, yaitu K-Means yang berfokus pada pengelompokan data ke dalam klaster dengan kesamaan tertentu, serta DB-SCAN yang lebih fleksibel dalam menemukan pola pada data tidak beraturan dan mengidentifikasi outlier. Sesi hari terakhir ini memberikan wawasan mengenai bagaimana pengelompokan data dapat membantu segmentasi pelanggan, identifikasi pola risiko, hingga mendukung pengambilan keputusan yang lebih spesifik. Pelatihan kemudian ditutup dengan post test dan refleksi bersama seluruh pemateri, yang menjadi ruang evaluasi dan diskusi terbuka agar peserta dapat mengaitkan materi dengan praktik nyata di lingkungan kerja.
- Sesi 8: Klastering Menggunakan K-Means – Tirana Noor F.
Peserta dikenalkan pada unsupervised learning melalui algoritma K-Means Clustering. Materi membahas proses pembentukan kelompok data berdasarkan kesamaan karakteristik, dengan menentukan jumlah klaster (k) terlebih dahulu. Pemateri mencontohkan penerapan K-Means pada segmentasi pelanggan atau pengelompokan risiko proyek. Peserta juga diperlihatkan bagaimana nilai centroid memengaruhi hasil klaster, serta teknik evaluasi kualitas klaster dengan silhouette score. - Sesi 9: Klastering Menggunakan DB-SCAN – Mahendra Data
Sesi ini memperluas wawasan peserta dengan algoritma DB-SCAN yang berbasis kepadatan data. Tidak seperti K-Means, DB-SCAN tidak memerlukan jumlah klaster di awal, sehingga lebih fleksibel menghadapi data dengan bentuk tak beraturan. Materi menekankan pada konsep epsilon dan minimum points dalam membentuk klaster. Contoh kasus mendeteksi outlier atau pola distribusi tidak merata pada data risiko proyek menjadi pembahasan utama. - Post Test dan Refleksi – Seluruh Pemateri
Sebagai penutup, peserta mengikuti post test untuk mengukur tingkat pemahaman setelah tiga hari pelatihan. Sesi refleksi dilakukan bersama seluruh pemateri untuk membahas tantangan dalam penerapan data science di lingkungan kerja nyata. Diskusi terbuka ini membantu peserta mengaitkan teori dengan kebutuhan praktis di bidang konstruksi dan manajemen risiko, sehingga manfaat pelatihan dapat langsung diaplikasikan.
Daftar Sekarang di AMD Academy
Jangan lewatkan kesempatan untuk memperdalam pengetahuan dan keterampilan di bidang Data Science. Daftar sekarang di AMD Academy untuk belajar dari kurikulum terstruktur, praktik langsung, dan instruktur berpengalaman. Optimalkan kemampuan analisis data Anda untuk mendukung pengambilan keputusan yang lebih tepat dan strategis.
Pelatihan ini membekali Anda dengan teknik analisis data, pemodelan, dan penggunaan tools modern agar mampu menghadapi tantangan bisnis berbasis data. Tingkatkan keunggulan kompetitif Anda dan maksimalkan potensi strategi organisasi. Hubungi admin kami untuk pendaftaran dan informasi lebih lanjut.
Pelajari lebih lanjut tentang Pelatihan Data Science Batch 1.
