Belajar AI, Workflow Coding, dan Publish ke GitHub

Setiap hari selama PKL di ISTN dimulai dengan rutinitas pagimu yang konsisten. Tepat pukul 5.00 pagi, kamu bangun dari tidur dengan suasana kamar yang masih tenang. Meski mata masih berat, kamu tetap membiasakan diri untuk langsung bangkit agar tidak terlena dan memulai hari dengan lebih produktif.

Setelah itu, kamu melaksanakan shalat Subuh. Momen ini menjadi saat yang paling menenangkan sebelum memulai aktivitas panjang di kampus. Usai shalat, kamu menyempatkan diri untuk membaca sedikit dzikir agar hati lebih tenang dan siap menghadapi segala aktivitas yang menanti.

Tidak lama kemudian, kamu mandi pagi untuk menyegarkan tubuh. Air yang dingin justru membuatmu semakin segar dan bersemangat. Setelah mandi, kamu bersiap-siap memakai pakaian rapi untuk menjalankan PKL. Kamu mengecek kembali barang-barang yang harus dibawa seperti buku catatan, pulpen, dan perlengkapan lainnya.

Menjelang jam 7.30 pagi, kamu berangkat menuju kampus ISTN. Perjalanan menuju kampus kamu nikmati sambil memikirkan tugas-tugas apa saja yang akan dilakukan pada hari itu. Terkadang jalanan cukup ramai, namun kamu tetap berusaha tiba di kampus tepat waktu.

Sesampainya di ISTN, kamu langsung menuju ruangan tempatmu bertugas. Biasanya aktivitas diawali dengan piket, mulai dari membersihkan ruangan, merapikan meja kerja, memeriksa perangkat yang akan digunakan, hingga menyiapkan lingkungan kerja agar nyaman untuk digunakan semua orang. Meski sederhana, piket memberikanmu rasa tanggung jawab dan kebiasaan menjaga kerapihan.

Setelah piket selesai, barulah kegiatan PKL lainnya dimulai, seperti membantu administrasi, mempelajari perangkat yang digunakan, serta menjalankan tugas-tugas yang diberikan oleh pembimbing. Rutinitas ini membuatmu semakin terbiasa dengan lingkungan kerja dan menambah pengalaman berharga.

Ringkasan singkat (apa yang akan kita lakukan)

  1. Rancang tujuan AI singkat (mis. klasifikasi teks/ gambar, chatbot, regresi).

  2. Gunakan AI (mis. ChatGPT / Claude / Copilot) untuk: menulis kerangka kode, buat dataset kecil / preprocessing, tulis skrip training, dan buat server API untuk inference. realpython.com+1

  3. Latih model (lokal / cloud / pakai model pre-trained). GitHub+1

  4. Bungkus menjadi aplikasi (mis. Flask / FastAPI / Node) atau gunakan builder no-code (mis. Claude Artifacts). Lifewire

  5. Siapkan repository Git, commit, dan push ke GitHub. Gist+1

  6. Ikuti best practice: README, requirements.txt, contoh cara menjalankan, jangan push data besar, sertakan lisensi. GitHub

Detail langkah — buat AI menggunakan AI (contoh: model ML sederhana + API)

1) Tentukan tujuan singkat

Contoh: “Buat model klasifikasi teks sederhana yang memprediksi apakah review itu positif/negatif.”

2) Minta AI (ChatGPT / Copilot) bantu tulis kode & struktur

Contoh prompt singkat untuk ChatGPT:

Buatkan proyek Python minimal untuk klasifikasi teks:
- gunakan scikit-learn (TfidfVectorizer + LogisticRegression)
- file: train.py, app.py (Flask), requirements.txt, README.md
- simpan model ke disk (joblib)
Tulis kode lengkap untuk tiap file.

Tips: minta juga unit test kecil dan file README yang menjelaskan cara menjalankan. Panduan menggunakan AI sebagai pair programmer membantu menulis fungsi satu-per-satu dan debugging. realpython.com+1

3) Contoh struktur proyek

my-ai-project/
├─ data/               # (opsional) dataset kecil (jangan push data besar ke GitHub)
├─ train.py            # script untuk training dan menyimpan model
├─ app.py              # Flask API untuk inference
├─ requirements.txt
├─ .gitignore
└─ README.md

4) Contoh kode minimal

train.py (contoh sederhana)

# train.py
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
import joblib

# data contoh kecil
X = ["sangat bagus", "suka sekali", "buruk sekali", "tidak suka"]
y = [1,1,0,0]

model = make_pipeline(TfidfVectorizer(), LogisticRegression())
model.fit(X, y)

joblib.dump(model, "model.joblib")
print("Model tersimpan: model.joblib")

app.py (Flask untuk inference)

# app.py
from flask import Flask, request, jsonify
import joblib

app = Flask(__name__)
model = joblib.load("model.joblib")

@app.route("/predict", methods=["POST"])
def predict():
    data = request.json
    texts = data.get("texts", [])
    preds = model.predict(texts).tolist()
    return jsonify({"predictions": preds})

if __name__ == "__main__":
    app.run(host="0.0.0.0", port=5000)

requirements.txt

flask
scikit-learn
joblib

Catatan: contoh di atas sangat minimal — untuk proyek nyata, bersihkan data, split train/val, tambahkan evaluasi, dan simpan hyperparameter.

5) Alternatif cepat: pakai model pre-trained / layanan inference

  • Gunakan Hugging Face (pretrained transformers) atau OpenAI APIs untuk text generation/classification jika tidak mau training sendiri. Atau gunakan no-code app builder (mis. Claude Artifacts atau Replit tools) untuk membuat aplikasi AI tanpa coding penuh. GitHub+1

6) Validasi & testing

  • Jalankan python train.py lalu python app.py. Tes dengan curl:

curl -X POST http://127.0.0.1:5000/predict -H "Content-Type: application/json" \
-d '{"texts":["saya suka produk ini","ini buruk"]}'

Cara mengupload (push) proyek ke GitHub perintah praktis

Asumsikan kamu sudah punya akun GitHub dan sudah menginstal Git.

  1. Inisialisasi git di folder proyek

cd my-ai-project
git init

  1. Buat .gitignore (jangan push model.joblib atau data besar)
    Isi .gitignore minimal:

__pycache__/
*.pyc
model.joblib
data/
.env

  1. Tambahkan file & commit

git add .
git commit -m "Initial commit: ai demo project"

  1. Buat repository di GitHub

    • Pergi ke GitHub → New repository → beri nama my-ai-project → Create.

    • Salin URL remote (HTTPS atau SSH). Contoh HTTPS: https://github.com/username/my-ai-project.git.

  2. Tambahkan remote & push

git branch -M main
git remote add origin https://github.com/username/my-ai-project.git
git push -u origin main

Jika pakai SSH:

git remote add origin git@github.com:username/my-ai-project.git
git push -u origin main

Panduan langkah-langkah pengunggahan dasar ini umum digunakan (referensi dan quick-setup ada pada GitHub / gist/tutorial). Gist+1

Praktik terbaik untuk repo ML di GitHub

  • Jangan push data besar: gunakan .gitignore dan layanan seperti Git LFS jika perlu.

  • Tambahkan README.md dengan: tujuan proyek, cara instal, contoh request API, contoh hasil.

  • Tambahkan requirements.txt atau environment.yml.

  • Sertakan LICENSE jika ingin open source.

  • Sertakan contoh skrip kecil untuk reproduksi hasil.

  • Untuk riset/ML: sertakan instruksi menjalankan evaluasi, dan file results/ jika perlu. GitHub

Opsi deployment (setelah di GitHub)

  • Deploy API ke Heroku / Railway / Render / Fly.io atau ke cloud provider (AWS/GCP/Azure).

  • Untuk proyek berbasis model besar, gunakan Hugging Face Spaces / Inference API atau server khusus.

  • Untuk aplikasi kecil, GitHub → actions → Docker build → deploy pipeline juga mungkin. (Pilihan tergantung kebutuhan & biaya.)

Saran cara memakai AI (ChatGPT) secara efektif saat membangun

  • Berikan konteks lengkap (bahasa, dependensi, versi).

  • Minta AI tulis satu fungsi/ file sekaligus, lalu review & jalankan.

  • Minta juga penjelasan singkat tiap blok kode agar kamu paham.

  • Selalu uji hasil yang dihasilkan AI: AI bisa salah atau memberikan contoh yang perlu disesuaikan. realpython.com+1

Referensi / bacaan lanjut (ringkas)

  • Cara memakai ChatGPT untuk bantu coding (RealPython). realpython.com

  • Panduan praktis: gunakan ChatGPT/CoPilot untuk menulis fungsi dan debugging. Medium+1

  • Projek & best practices ML (Made-With-ML; PapersWithCode release guide). GitHub+1

  • No-code app builder & fitur pembuatan aplikasi AI (Claude Artifacts / artikel Lifewire). Lifewire

  • Tutorial singkat upload/push ke GitHub (gist / StackOverflow). 


Comments

Post a Comment

Popular Posts