1. Judul Pelatihan

Mengimplementasikan Pemrograman Terstruktur Berorientasi Objek untuk Membuat Machine Learning dengan Python sebagai Perogrammer Aplikasi

2. Deskripsi Pelatihan

Dengan mengikuti pelatihan ini peserta bisa menjadi seorang Analis Programer Data Science Dan Machine Learning Python

Sebagai seorang analis programer data science dan machine learning dengan python, peserta dapat belajar bahasa Python yang menjadi landasan penting untuk menekuni bidang ilmu data serta pembelajaran melalui mesin. Menurut data dari world economic forum ( https://bit.ly/3wrrD9g ) kebutuhan akan analis program akan terus meningkat, Jika peserta mempunyai keahlian ini, maka tidak akan sulit bagi peserta untuk menemukan pekerjaan di masa sekarang ini Di pelatihan ini peserta akan memahami kegunaan seluruh tools yang ada pada pemrograman Python.

Sehingga peserta dapat menggunakan tools tersebut untuk menganalisa data dan juga mampu membuat sebuah mesin pembelajaran sesuai dengan kebutuhan

Pelatihan ini dibuat dengan merujuk kepada KBJI 2014 No. 2512.01 serta NO.282 TAHUN 2016 Kompetensi yang akan dilatih, yaitu :
1. Kompeten Melakukan Identifikasi Library, Komponen atau Framework yang Diperlukan
2. Kompeten Melakukan Instalasi Software Tools Pemrograman
3. Kompeten Melakukan Pengaturan Software Tools Pemrograman
4. Kompeten Menyusun Fungsi, File atau Sumber Daya Pemrograman yang Lain dalam Organisasi yang Rapi
5. Menulis Kode dengan Prinsip Sesuai Guidelines dan Best Practices

3. Tujuan Umum Pelatihan

Diakhir pelatihan peserta mampu menerapkan cara menganalisa sebuah data menggunakan data science dan membuat machine learning dengan menggunakan program python. Pelatihan ini dibuat dengan merujuk kepada KBJI 2014 No. 2512.01 serta NO.282 TAHUN 2016

4. Tujuan Khusus Pelatihan

Program pelatihan Mengimplementasikan pemrograman terstruktur berorientasi objek untuk membuat machine learning dengan python sebagai perogrammer aplikasi memiliki tujuan sebagai berikut :

 1. Menguasai Penggunaan Program Python
2. Memahami dan menguasai cara menganalisa sebuah data Menggunakan Data Science
3. Memahami dan menguasai cara Menggunakan Machine Learning

5. Kelompok Sasaran

1) Pendidikan minimal SMA/SMK
2) memiliki Komputer / Laptop
3) Memiliki pengetahuan dasar pemrograman komputer

 6. Durasi Detail dan Total Durasi

1. Pembukaan 03:33

2. Pengenalan Instruktur 00:27

3. Python Introduction Bagian A 07:20

4. Python Introduction Bagian B 07:18

5. Mengenal Kondisi & Perulangan Bagian A 08:10

6. Mengenal Kondisi & Perulangan Bagian B 07:07

7. Memahami Def, Lambda, Class Bagian A 09:30

8. Memahami Def, Lambda, Class Bagian B 09:18

9. Numpy Introduction 05:10

10. Numpy Array Bagian A 07:14

11. Numpy Array Bagian B 07:10

12. Numpy Array Bagian C 07:10

13. Numpy Indexing & Sorting Bagian A 10:00

14. Numpy Indexing & Sorting Bagian B 09:19

15. Pandas Introduction Bagian A 05:30

16. Pandas Introduction Bagian B 05: 29

17. Dataframe Bagian A 10:00

18. Dataframe Bagian B 09:03

19. MultiIndex Bagian A 07:05

20. MultiIndex Bagian B 06:05

21. Missing Data 09:28

22. Penggabungan Data Bagian A 10:00

23. Penggabungan Data Bagian B 07: 21

24. Penggabungan Data Bagian C 07:10

25. Penggabungan Data Bagian D 07:10

26. Operations Bagian A 06:30

27. Operations Bagian B 05:29

28. Input Dan Output Bagian A 07:10

29. Input Dan Output Bagian B 06:08

30. Matplotlib Bagian A 10:00

31. Matplotlib Bagian B 10:00

32. Matplotlib Bagian C 06:01

33. Style Plot Bagian A 08:30

34. Style Plot Bagian B 08:13

35. Seaborn Introduction Bagian A 05:20

36. Seaborn Introduction Bagian B 05:20

37. Categorical Plot Bagian A 07:03

38. Categorical Plot Bagian B 07:00

39. Categorical Plot Bagian C 07:00

40. Metrix Bagian A 06:30

41. Metrix Bagian B 05:28

42. Grid Bagian A 07:30

43. Grid Bagian B 06:23

44. Regregasi 09:28

45. Machine Learning Introduction 08:55

46. Algorithm Linear Regression Bagian A 10:00

47. Algorithm Linear Regression Bagian B 10:00

48. Project With Linear Regression Bagian A 09:28

49. Project With Linear Regression Bagian B 09:00

50. Project With Linear Regression Bagian C 09:00

51. Algorithm K-Nearest Neighbors Bagian A 10:00

52. Algorithm K-Nearest Neighbors Bagian B 09:32

53. Web Scraping With Selenium Bagian A 10:00

54. Web Scraping With Selenium Bagian B 10:00

55. Web Scraping With Selenium Bagian C 07:09

56. Web Scraping With Scrapy Bagian A 09:00

57. Web Scraping With Scrapy Bagian B 08:24

TOTAL DURASI : 7 JAM, 23 MENIT, 28 DETIK

7.  Silabus/Gambaran Materi

1. Pembukaan

2. Pengenalan Instruktur

3. Belajar Python Introduction Bagian A

4. Belajar Python Introduction Bagian B

5. Belajar Mengenal Kondisi & Perulangan Bagian A

6. Belajar Mengenal Kondisi & Perulangan Bagian B

7. Belajar Memahami Def, Lambda, Class Bagian A

8. Belajar Memahami Def, Lambda, Class Bagian B

9. Belajar Numpy Introduction

10. Belajar Numpy Array Bagian A

11. Belajar Numpy Array Bagian B

12. Belajar Numpy Array Bagian C

13. Belajar Numpy Indexing & Sorting Bagian A

14. Belajar Numpy Indexing & Sorting Bagian B

15. Belajar Pandas Introduction Bagian A

16. Belajar Pandas Introduction Bagian B

17. Belajar Dataframe Bagian A

18. Belajar Dataframe Bagian B

19. Belajar MultiIndex Bagian A

20. Belajar MultiIndex Bagian B

21. Belajar Missing Data

22. Belajar Penggabungan Data Bagian A

23. Belajar Penggabungan Data Bagian B

24. Belajar Penggabungan Data Bagian C

25. Belajar Penggabungan Data Bagian D

26. Belajar Operations Bagian A

27. Belajar Operations Bagian B

28. Belajar Input Dan Output Bagian A

29. Belajar Input Dan Output Bagian B

30. Belajar Matplotlib Bagian A

31. Belajar Matplotlib Bagian B

32. Belajar Matplotlib Bagian C

33. Belajar Style Plot Bagian A

34. Belajar Style Plot Bagian B

35. Belajar Seaborn Introduction Bagian A

36. Belajar Seaborn Introduction Bagian B

37. Belajar Categorical Plot Bagian A

38. Belajar Categorical Plot Bagian B

39. Belajar Categorical Plot Bagian C

40. Belajar Metrix Bagian A

41. Belajar Metrix Bagian B

42. Belajar Grid Bagian A

43. Belajar Grid Bagian B

44. Belajar Regregasi

45. Belajar Machine Learning Introduction

46. Belajar Algorithm Linear Regression Bagian A

47. Belajar Algorithm Linear Regression Bagian B

48. Belajar Project With Linear Regression Bagian A

49. Belajar Project With Linear Regression Bagian B

50. Belajar Project With Linear Regression Bagian C

51. Belajar Algorithm K-Nearest Neighbors Bagian A

52. Belajar Algorithm K-Nearest Neighbors Bagian B

53. Belajar Web Scraping With Selenium Bagian A

54. Belajar Web Scraping With Selenium Bagian B

55. Belajar Web Scraping With Selenium Bagian C

56. Belajar Web Scraping With Scrapy Bagian A

57. Belajar Web Scraping With Scrapy Bagian B

 8. Aspek Kompetensi / Output Kompetnsi

Aspek Kompetensi: Pengetahuan (Knowledge) :

Dengan mempelajari materi Mengimplementasikan pemrograman terstruktur berorientasi objek untuk membuat machine learning dengan python sebagai perogrammer aplikasi, siswa :

1.Memahami fundamental dari Python (Aspek ini bisa dilihat dari modul Python Fundamental video Python Introduction 00.00-14.38)

2.Memahami Data Array menggunakan Numpy (Aspek ini bisa dilihat dari modul Analisa Data Array Dengan Numpy video Numpy Array 00.00-21.34)

3.Memahami struktur Data (Aspek ini bisa dilihat dari modul Membuat Struktur Data Dengan Pandas video Dataframe 00.00-19.03)

4.Memahami pola hubungan variabel dengan Matplotlib (Aspek ini bisa dilihat dari modul Melihat Pola Hubungan Variabel dengan Matplotlib video Matplotlib 00.00-26.01)

5.Memahami Visualisasi Data (Aspek ini bisa dilihat dari modul Visualisasi Data dengan Seaborn video Seaborn Introduction 00.00-10.40)

6.Memahami Kecerdasan Buatan Machine Learning (Aspek ini bisa dilihat dari modul Kecerdasan Buatan Dengan Machine Learning video Machine Learning Introduction 00.00-08.55)

7. Memahami Web Scraping (Aspek ini bisa dilihat dari modul [Bonus] Web Scraping video Web Scraping With Selenium 00.00-27.09 dan video Web Scraping With Scrapy 00.00-17.24)

Aspek Kompetensi: Keterampilan (Skill) :

Dengan mempelajari materi Mengimplementasikan pemrograman terstruktur berorientasi objek untuk membuat machine learning dengan python sebagai perogrammer aplikasi, siswa :

1.Mampu mengenal fundamental dari Python (Aspek ini bisa dilihat dari modul Python Fundamental video Python Introduction 00.00-14.38)

2.Mampu membuat Data Array menggunakan Numpy (Aspek ini bisa dilihat dari modul Analisa Data Array Dengan Numpy video Numpy Array 00.00-21.34)

3.Mampu Membuat struktur Data (Aspek ini bisa dilihat dari modul Membuat Struktur Data Dengan Pandas video Dataframe 00.00-19.03)

4.Mampu Membuat pola hubungan variabel dengan Matplotlib (Aspek ini bisa dilihat dari modul Melihat Pola Hubungan Variabel dengan Matplotlib video Matplotlib 00.00-26.01)

5.Mampu mengidentifikasi Visualisasi Data (Aspek ini bisa dilihat dari modul Visualisasi Data dengan Seaborn video Seaborn Introduction 00.00-10.40)

6.Mampu membuat Machine Learning (Aspek ini bisa dilihat dari modul Kecerdasan Buatan Dengan Machine Learning video Machine Learning Introduction 00.00-08.55)

7. Mampu membuat Web Scraping (Aspek ini bisa dilihat dari modul [Bonus] Web Scraping video Web Scraping With Selenium 00.00-27.09 dan video Web Scraping With Scrapy 00.00-17.24)

Aspek Kompetensi: Sikap (Attitude) :

Dengan mempelajari materi Mengimplementasikan pemrograman terstruktur berorientasi objek untuk membuat machine learning dengan python sebagai perogrammer aplikasi, siswa :

1. Mengenal fundamental dari Python dengan teliti (Aspek ini bisa dilihat dari modul Python Fundamental video Python Introduction 00.00-14.38)

2. Teliti dalam Data Array menggunakan Numpy (Aspek ini bisa dilihat dari modul Analisa Data Array Dengan Numpy video Numpy Array 00.00-21.34)

3. Memahami struktur Data dengan teliti (Aspek ini bisa dilihat dari modul Membuat Struktur Data Dengan Pandas video Dataframe 00.00-19.03)

4. Memahami pola hubungan variabel dengan Matplotlib  dengan cekatan (Aspek ini bisa dilihat dari modul Melihat Pola Hubungan Variabel dengan Matplotlib video Matplotlib 00.00-26.01)

5. Memahami Visualisasi Data sesuai kebutuhan pengguna (Aspek ini bisa dilihat dari modul Visualisasi Data dengan Seaborn video Seaborn Introduction 00.00-10.40)

6. Memahami Kecerdasan Buatan Machine Learning dengan teliti (Aspek ini bisa dilihat dari modul Kecerdasan Buatan Dengan Machine Learning video Machine Learning Introduction 00.00-08.55)

7. Memahami Web Scraping dengan cekatan  (Aspek ini bisa dilihat dari modul [Bonus] Web Scraping video Web Scraping With Selenium 00.00-27.09 dan video Web Scraping With Scrapy 00.00-17.24)

 9. Metode Ajar

Metode Ajar Hybird

10. Harga

Rp. 499.000

 11. Tenaga Pelatih

Nama Instruktur : Rudianto S.Kom

Profil Tenaga Pelatih : Lahir di Serang pada tanggal 18 September 1990, 31 thn, Rudi menempuh pendidikan Strata 1 di STMIK Indonesia Fakultas Sistem Informasi. Memiliki pengalaman lebih dari 5 tahun dibidang Programming dan Digital Marketing search engine optimization ( SEO ) dan juga Search Engine Marketing ( SEM) dan juga memilliki pengalaman mengajar lebih dari 3 (Tiga) tahun di bidang Desain Grafis, Pembuatan Website, Digital Marketing Seperti cara beriklan di Facebook, di Google, Twitter, Instagram, Cara beriklan di Youtube dan juga programing seperti Vue Js dan JavaScript, sebagai instruktur dan narasumber di berbagai kementerian dan perusahaan swasta seperti Telkomsel, Kominfo, Kemendikbud, LIPI, BNI dll

 12. Jadwal Sesi Konseling

Rudianto S.Kom, Sabtu 09.00 WIB

13. Nama Lembaga Pelatih

BABASTUDIO

14. Mekanime Evaluasi

Mekanisme Evaluasi pada program pelatihan ini yaitu :

1. Soal quiz

2. Soal-soal Post Test

3. dan Penugasan