Sudah Berkecimpung di Machine Learning, Raka Admiral Tetap Upgrade Skill Lewat Bootcamp

Perkembangan teknologi AI dan Machine Learning yang begitu cepat membuat para profesional teknologi dituntut untuk terus belajar. Pengalaman kerja yang panjang tidak selalu menjadi jaminan seseorang telah menguasai seluruh perkembangan terbaru di bidangnya. Justru, semakin berpengalaman seseorang, semakin penting pula untuk terus memperbarui wawasan agar tetap relevan dengan kebutuhan industri.

Hal tersebut juga dirasakan oleh Raka Admiral Abdurrahman. Sebelum mengikuti Bootcamp Machine Learning Batch 17 DQLab, ia telah memiliki pengalaman di bidang Machine Learning sejak 2019 dan berkarier sebagai Software Engineer. Meski demikian, Raka tetap memutuskan mengikuti bootcamp untuk memperbarui pengetahuan, memahami perkembangan terbaru, sekaligus memperluas perspektifnya dalam dunia data dan AI.

Lantas, apa resep rahasia Raka sehingga bisa mendapatkan apresiasi mentereng yaitu Best Portofolio pada Bootcamp Machine Learning DQLab? Simak kisah inspiratifnya berikut ini sahabat DQLab!

1. Mengikuti Bootcamp untuk Memperbarui Wawasan dan Menghindari Knowledge Gap

Raka merupakan lulusan D4 Teknik Informatika Politeknik Negeri Malang. Saat mengikuti Bootcamp Machine Learning DQLab, ia sedang bekerja di sebuah perusahaan yang bergerak di bidang pemetaan. Di tempat kerjanya saat itu, ia diwajibkan mengikuti pelatihan sebagai bagian dari pengembangan kompetensi karyawan.

Meski sudah cukup lama berkecimpung di dunia Machine Learning sejak 2019, Raka melihat kesempatan tersebut sebagai peluang untuk melakukan upskilling. Ia ingin mengetahui sejauh mana perkembangan teknologi Machine Learning dibandingkan dengan yang pernah dipelajarinya beberapa tahun sebelumnya.

“Saya sih lebih kepada update teknologi. Kira-kira sekarang machine learning itu apa sih yang harus dipelajari lagi? Apakah masih sama dengan apa yang saya alami di 2019?”jelas Raka.

Selain memperbarui pengetahuan teknis, ia juga ingin memahami cara berpikir para Data Scientist. Menurutnya, pemahaman tersebut penting agar komunikasi dan kolaborasi antara tim engineer dan tim data dapat berjalan lebih efektif.

“Tujuannya supaya tidak ada knowledge gap antara data scientist dan fullstack software engineer.”

2. Memperdalam Kemampuan Analisis Data dan Pemilihan Metode

Sebagai seorang Senior Fullstack Software Engineer, Raka mengaku sudah terbiasa membangun sistem, baik dari sisi backend maupun frontend. Namun, ia melihat bahwa analisis data membutuhkan pendekatan yang berbeda dibandingkan pengembangan perangkat lunak pada umumnya, terutama bagaimana cara memvisualisasikan sebuah data.

Selama mengikuti bootcamp, ia mendapatkan pemahaman yang lebih mendalam mengenai proses analisis data, mulai dari eksplorasi data hingga menentukan metode yang paling sesuai untuk menyelesaikan suatu permasalahan. Pengalaman tersebut membantunya memahami bagaimana seorang Data Scientist menginterpretasikan data dan menghasilkan insight yang dapat digunakan dalam pengambilan keputusan.

Menurut Raka, salah satu tantangan terbesar justru terletak pada pemilihan metode yang tepat untuk setiap kasus.

“Tantangannya adalah memahami materinya. Dari data ini cocoknya pakai metode apa sih? Misalkan pakai XGBoost atau pakai apa. Jadi, lebih kepada metodenya.”

Melalui berbagai studi kasus yang dikerjakan selama bootcamp, ia belajar bahwa tidak ada satu metode yang selalu cocok untuk semua permasalahan. Setiap dataset membutuhkan pendekatan yang berbeda sesuai karakteristik data dan tujuan analisis yang ingin dicapai.

3. Menciptakan Proyek yang Berbeda dari Peserta Lain

Saat mengerjakan proyek akhir, Raka memilih untuk tidak mengikuti pendekatan yang umum digunakan peserta lain. Ia merasa banyak proyek Machine Learning yang hanya berhenti pada tahap menghasilkan prediksi atau output berupa angka tanpa memberikan penjelasan yang lebih mudah dipahami pengguna.

Karena itu, ia mencoba menghadirkan solusi yang mampu mengubah hasil analisis menjadi informasi yang lebih aplikatif. Salah satu contohnya adalah proyek yang dapat memberikan rekomendasi berdasarkan hasil analisis data cuaca. Jadi, Raka bukan sekadar menampilkan hasil prediksi aja.

Namun, Raka tidak berhenti di situ. Ia menambahkan satu lapisan yang membuat proyeknya menonjol yaitu teknik Retrieval-Augmented Generation (RAG). Alih-alih sekadar menampilkan label “Hujan Lebat”, sistemnya memadukan hasil prediksi model dengan basis pengetahuan lokal (knowledge base) dan model AI generatif (LLM). Hasil yang tampil di layar bukan lagi sebatas angka, melainkan analisis cuaca yang deskriptif lengkap dengan saran praktis.

Contohnya, ketika model memprediksi hujan lebat, sistem secara otomatis menarik informasi yang relevan seperti titik-titik rawan banjir di Bekasi (Jatiasih, Bekasi Timur, hingga sekitar Kali Bekasi), langkah-langkah persiapan apa saja yang dilakukan, bahkan nomor darurat yang bisa dihubungi. Begitu pula saat suhu terdeteksi ekstrem atau angin bertiup kencang, sistem akan memunculkan panduan keselamatan yang sesuai. Seluruh informasi itu kemudian dirangkai oleh AI menjadi satu analisis, seolah-olah pengguna sedang membaca penjelasan langsung dari seorang ahli meteorologi.

“Kalau saya, hasilnya sudah deskriptif. Jadi, bukan hanya sekadar angka atau hasil, tapi lebih ke deskriptif.”

Tak berhenti di sisi prediksi, Raka juga memanfaatkan latar belakangnya sebagai engineer untuk membuat proyeknya lebih praktis. Ia membangun fitur yang memungkinkan pengguna mengunggah dataset versi baru dan melatih ulang (train) model langsung dari web, tanpa perlu lagi membuka Jupyter Notebook. Dengan begitu, model dapat diperbarui dan dikelola dalam beberapa versi secara lebih mudah. Bahkan, oleh orang yang tidak terbiasa menulis kode. Fitur ini sekaligus menjadi bukti bagaimana ia menjembatani dunia engineering dan data science yang sejak awal ingin ia dekatkan.

Pendekatan tersebut menjadi nilai tambah dalam proyek yang ia kerjakan. Selain menunjukkan kemampuan teknis Machine Learning, proyek tersebut juga mampu menjembatani hasil analisis data menjadi informasi yang lebih mudah dipahami oleh pengguna.

4. Berhasil Meraih Predikat Best Portfolio

Keputusan untuk mengambil pendekatan yang berbeda akhirnya membuahkan hasil. Raka berhasil meraih predikat Best Portfolio pada Bootcamp Machine Learning Batch 17 DQLab. Menurutnya, kemampuan teknis memang penting, tetapi keberanian untuk mengeksplorasi ide baru dan menghadirkan solusi yang berbeda juga memiliki peran besar dalam menciptakan proyek yang menonjol.

“Saya mau mengambil jalan yang lain. Jangan cuma sama. Pokoknya yang berbeda aja.”

Bagi Raka, keberanian untuk berbeda itu berangkat dari keyakinan pada idenya sendiri. Ia percaya bahwa sesuatu yang diperjuangkan dengan sungguh-sungguh pada akhirnya akan menemukan jalannya. Ia juga percaya bahwa inovasi sering kali menjadi faktor pembeda yang membuat sebuah karya lebih mudah dikenali dan memberikan dampak yang lebih besar.

“Kalau kita bisa melakukan sesuatu yang mungkin orang lain belum pernah lihat, kita bisa stand out kok.”

Pengalaman selama bootcamp tidak hanya membantunya memperbarui keterampilan teknis, tetapi juga memperluas cara pandangnya dalam memanfaatkan data dan Machine Learning untuk menyelesaikan permasalahan nyata. Kini, Raka melanjutkan kariernya sebagai Senior Full Stack Engineer di Tridorian dan terlibat dalam berbagai proyek pengembangan AI, integrasi sistem, dan implementasi teknologi berbasis Large Language Model (LLM).

Terinspirasi dari hobi Raka yang suka traveling dan menyukai berbagai hal terkait dengan Jepang, belajar pada dasarnya tak ubahnya sebuah perjalanan. Selalu ada destinasi baru untuk dijelajahi dan hal baru untuk ditemukan di sepanjang jalan. Semangat itulah yang membuatnya tak pernah berhenti mengasah diri, meski sudah bertahun-tahun berkecimpung di bidangnya.

Perjalanan Raka menunjukkan bahwa belajar tidak harus dimulai dari nol. Bahkan bagi profesional yang telah memiliki pengalaman bertahun-tahun di bidangnya, proses upskilling tetap menjadi langkah penting untuk mengikuti perkembangan teknologi dan membuka peluang karier yang lebih luas di masa depan.

Penulis: Reyvan Maulid