Scribd
Unggah
2 tayangan2 halaman

Tugas Minggu 10 - Python Machine Learning

Proyek ini bertujuan untuk membangun model Machine Learning yang memprediksi risiko downgrade langganan pengguna Premium untuk klien platform streaming digital. Fokus utama adalah pada pembuatan Pipeline yang bersih, evaluasi model yang objektif, dan ekspor model dengan penamaan versi yang tepat. Laporan MLOps juga diperlukan untuk menyertakan link Google Colab, bukti ekspor model, analisis metrik, dan skenario mitigasi untuk potensi data drift.

Diunggah oleh

tio.naatanael
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
2 tayangan2 halaman

Tugas Minggu 10 - Python Machine Learning

Proyek ini bertujuan untuk membangun model Machine Learning yang memprediksi risiko downgrade langganan pengguna Premium untuk klien platform streaming digital. Fokus utama adalah pada pembuatan Pipeline yang bersih, evaluasi model yang objektif, dan ekspor model dengan penamaan versi yang tepat. Laporan MLOps juga diperlukan untuk menyertakan link Google Colab, bukti ekspor model, analisis metrik, dan skenario mitigasi untuk potensi data drift.

Diunggah oleh

tio.naatanael
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd

PROJECT TASK – WEEK 10

Divisi Python Machine Learning – Vinix7 (PT. VINIX SEVEN AURUM)

LATAR BELAKANG PROYEK


Klien kita, sebuah perusahaan platform streaming digital, sedang menghadapi masalah
retensi pelanggan. Banyak pengguna berbayar (Premium) yang tiba-tiba menurunkan
langganan mereka ke paket Gratis/Basic di akhir bulan. Tim manajemen meminta kita
membuat model Machine Learning untuk memprediksi Apakah seorang pengguna
Premium berisiko melakukan downgrade langganan bulan depan?

Klien menetapkan syarat mutlak, yaitu model harus dikirimkan dalam format yang sudah
terstruktur rapi agar tim IT mereka bisa langsung memasangnya (deploy) ke dalam
sistem pemantauan pengguna.

OBJEKTIF PROYEK
Tugas Anda minggu ini bukan mencari akurasi setinggi mungkin, melainkan membangun
fondasi operasional (MLOps) yang tangguh. Anda harus membuat Pipeline kode yang
bersih, mengevaluasi model secara objektif (karena mayoritas pengguna tidak
melakukan downgrade), dan mengekspor model tersebut dengan penamaan versi yang
benar.

INSTRUKSI PENGERJAAN
Task 1 – Build Pipeline (Clean Code)
- Anda dilarang keras melakukan pembersihan data satu per satu secara manual
di cell yang terpisah.
- Gunakan Pipeline atau ColumnTransformer dari scikit-learn untuk
membungkus proses Imputer, Scaler, dan Model ke dalam satu alur kerja yang
terstandarisasi.
- Wajib menjaga reproducibility.

Task 2 – Evaluasi Model


- Jangan hanya menampilkan skor Accuracy.
- Tampilkan classification_report.
Task 3 – Versioning & Export
- Setelah Pipeline dilatih dan dievaluasi, export Pipeline utuh tersebut
menggunakan library joblib atau pickle di dalam Google Colab Anda.
- Gunakan standar penamaan versioning profesional.
(nama_model_versi_tanggal.pkl).
- Screenshot file .pkl yang sudah berhasil terbuat tersebut beserta ukuran file-nya
sebagai bukti nyata.

Task 4 – MLOps Business Report (PDF)


Buat laporan singkat yang minimal berisi.
- Link Google Colab (Wajib) - Taruh link Colab Anda di halaman paling atas.
- Bukti Export Model - Tempelkan screenshot dari Task 3 yang menunjukkan file
.pkl Anda sudah berhasil terbuat dengan format nama versioning yang benar.
- Penjelasan Metrik - Jelaskan hasil Classification Report Anda. Di kasus streaming
ini, apa arti dari nilai Recall untuk kelas yang downgrade? Mengapa metrik ini
lebih penting dari akurasi?
- Skenario Mitigasi (Data Drift) - Jika bulan depan terjadi krisis ekonomi yang
membuat daya beli masyarakat turun drastis, apa langkah operasional yang
harus dilakukan pada sistem dan file .pkl versi 1 milik Anda agar akurasi prediksi
tidak hancur?

Metrik Penilaian
- 40% - Arsitektur Pipeline - Peserta mendapat poin penuh jika berhasil
menggunakan fungsi Pipeline dari Scikit-Learn. (Jika link digembok/private, atau
kode masih bergaya Spaghetti Code manual, poin dipotong).
- 30% - Kesiapan Deployment - Terdapat screenshot bukti file .pkl di dalam PDF
dengan format nama versioning standar.
- 30% - Analisis Kritis - Tidak tertipu oleh skor Accuracy dan mampu menjawab
skenario mitigasi Data Drift dengan logis.

Anda mungkin juga menyukai