Publikasi web

Setiap hari selama menjalani Praktik Kerja Lapangan (PKL) di ISTN, rutinitasku dimulai sejak dini hari. Tepat pukul 05.00, alarm ponselku berdering, menandai awal aktivitas. Dengan mata yang masih agak berat, aku bangun dari tempat tidur dan langsung bersiap untuk sholat Subuh. Suasana pagi yang masih tenang membuat ibadah terasa lebih khusyuk dan menjadi pembuka hari yang penuh semangat.

Selesai sholat, aku melanjutkan rutinitas dengan mandi pagi dan merapikan diri untuk bersiap menuju kampus. Setelah semuanya siap, biasanya aku sarapan sebentar dan mengecek kembali barang-barang yang perlu kubawa untuk kegiatan PKL hari itu—mulai dari laptop, buku catatan, hingga berkas-berkas yang mungkin dibutuhkan.

Sekitar pukul 07.30, aku berangkat menuju ISTN. Perjalanan pagi selalu memberikan suasana tersendiri, apalagi melihat aktivitas masyarakat yang mulai ramai. Sesampainya di kampus, aku langsung menuju ruangan divisi tempatku bertugas.

Kegiatan pertama yang biasa kulakukan adalah piket. Piket ini meliputi pembersihan area kerja, menata meja, memastikan perangkat sudah siap digunakan, serta mengecek apakah ada kebutuhan teknis yang perlu ditangani sebelum aktivitas utama dimulai. Meski sederhana, kegiatan piket membuat lingkungan kerja menjadi nyaman dan rapi, sehingga semua kegiatan PKL bisa berjalan lancar.

Setelah piket, barulah kegiatan PKL berjalan sesuai jadwal harian—mulai dari membantu pekerjaan administrasi, melakukan pengecekan perangkat, hingga mengerjakan tugas-tugas yang diberikan oleh pembimbing lapangan. Rutinitas ini terus aku jalani setiap hari, memberi banyak pengalaman baru dan pemahaman tentang dunia kerja yang sebenarnya.

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