difasahara (difasahara)

2024: Spesialis Pengolahan & Analisis Data Terverifikasi (Sertifikasi RapidMiner)

Sebagai pemegang sertifikasi resmi RapidMiner, saya menjamin setiap pengerjaan proyek data dilakukan dengan standar profesional yang tinggi. Saya fokus pada keakuratan hasil dan kerapian penyajian data untuk mendukung pengambilan keputusan yang tepat.

Layanan yang saya berikan:
- Memastikan data yang diolah bersih dari kesalahan (error) dan siap digunakan untuk analisis lebih lanjut.
- Mengelola pengelompokan (clustering) dan pola data secara sistematis sehingga hasilnya dapat dipertanggungjawabkan.
- Menggunakan metodologi yang tepat untuk menyelesaikan pengolahan data dalam waktu yang lebih singkat tanpa mengurangi kualitas.

Dengan kombinasi latar belakang pendidikan Informatika dan sertifikasi ini, saya berkomitmen memberikan hasil kerja yang presisi, rapi, dan mudah dipahami oleh klien.

2025: Deep Learning: Aplikasi Deteksi Dini Dyslexia (CNN MobileNetV2)

Description:
Aplikasi ini dikembangkan untuk mendeteksi gejala awal disleksia pada anak melalui analisis citra tulisan tangan (Handwriting Analysis).

Project Overview:
Proyek ini merupakan implementasi riset akademis (Jalur Proyek Profesional) dengan studi kasus nyata di SD Negeri Klegenwonosari. Sistem dirancang untuk membantu tenaga pengajar mengidentifikasi potensi disleksia pada siswa sejak dini.

Technical Implementation:
- Method: Menggunakan Deep Learning dengan algoritma Convolutional Neural Network (CNN).
- Architecture: Menerapkan arsitektur MobileNetV2 (Transfer Learning) untuk performa klasifikasi yang tinggi namun tetap ringan.
- Objective: Sistem memproses input gambar tulisan tangan, melakukan ekstraksi fitur visual, dan memberikan prediksi status (Disleksia/Normal).

Tools & Tech Stack:
Python, TensorFlow, Keras, OpenCV, SQLite.

Link; https://github.com/diffa8/-Deteksi-Dini-Disleksia-Berbasis-Analisis-Tulisan-Tangan-Menggunakan-Transfer-Learning-MobileNetV2/tree/main

2025: Natural Language Processing (NLP): Text Mining & Preprocessing Data Ulasan Zalora

Project Overview:
Pengembangan pipeline pengolahan data teks (Text Preprocessing) untuk menganalisis ribuan ulasan pelanggan pada aplikasi E-Commerce Zalora. Proyek ini mengubah data komentar mentah yang berantakan (bahasa gaul, typo, simbol) menjadi data bersih yang siap diolah oleh algoritma Machine Learning untuk Analisis Sentimen.

Technical Process (Pipeline):
- Case Folding: Mengubah seluruh huruf menjadi huruf kecil (lowercase).
- Noise Removal: Membersihkan angka, tanda baca, emoji, dan karakter non-alfabet menggunakan Regex.
- Normalization: Memperbaiki penulisan kata tidak baku/alay (contoh: "sy" ? "saya", "brg" ? "barang").
- Stopword Removal: Menghapus kata hubung yang tidak bermakna (contoh: "yang", "dan", "di") menggunakan library NLTK + Custom Dictionary.
- Stemming: Mengembalikan kata berimbuhan ke bentuk dasarnya menggunakan library Sastrawi (contoh: "pengiriman" ? "kirim").

Results:
Seperti terlihat pada gambar lampiran (Before vs After), script Python yang saya buat berhasil mereduksi noise data hingga 40-50%, menyisakan kata-kata kunci (keywords) yang esensial untuk analisis bisnis.

Tools & Libraries:
Python, Pandas, NLTK, Sastrawi, Regular Expression (Regex).

2025: Deep Learning: Early Dyslexia Detection Web App (MobileNetV2)

Project Overview:
Aplikasi web berbasis Artificial Intelligence (AI) yang dirancang untuk mendeteksi dini indikasi disleksia melalui analisis citra tulisan tangan. Proyek ini menggabungkan riset akademis dengan implementasi teknologi Deep Learning yang praktis dan efisien.

Technical Implementation:
- Algorithm: Menggunakan arsitektur MobileNetV2 (Transfer Learning) yang dioptimasi untuk klasifikasi citra secara cepat dan akurat.
- Image Processing: Menerapkan pengolahan citra digital menggunakan OpenCV (Grayscale, Resizing, & Normalization) untuk memastikan kualitas input data yang optimal.
- Scientific Validation: Metodologi penelitian telah diterima untuk publikasi di Jurnal InComTech, membuktikan validitas model secara ilmiah.

Key Features:
- Real-time Prediction: Pengguna dapat mengunggah foto tulisan tangan dan mendapatkan hasil analisis dalam hitungan detik.
- Mobile-Friendly Architecture: Menggunakan model yang ringan sehingga performa tetap stabil meskipun diakses melalui perangkat dengan spesifikasi terbatas.
- High Stability: Berdasarkan grafik performa (Accuracy & Loss), model menunjukkan tingkat kestabilan yang tinggi tanpa indikasi overfitting.

Tech Stack:
Python, TensorFlow, Keras, OpenCV, Matplotlib, Flask.

2026: Machine Learning: Email Spam Detection Web App (SVM)

Project Overview:
Aplikasi web berbasis AI untuk mendeteksi email spam secara real-time dengan akurasi tinggi. Aplikasi ini sudah di-deploy dan dapat diakses publik secara online 24 jam.

Technical Implementation:
- Algorithm: Menggunakan Support Vector Machine (SVM) yang dilatih dengan ribuan dataset email untuk mengenali pola teks berbahaya.
- NLP Method: Menerapkan TF-IDF Vectorization untuk ekstraksi fitur teks dan konteks kalimat.
- Performance: Model mampu memberikan prediksi instan dengan tingkat keyakinan (Confidence Score) mencapai 100%.

Key Features:
- FastAPI Backend: Dibangun menggunakan Python FastAPI untuk respons API yang jauh lebih cepat dibanding Flask.
- Responsive UI: Tampilan antarmuka modern menggunakan Tailwind CSS.
- Cloud Deployment: Aplikasi berjalan stabil di server cloud Railway.

Tech Stack:
Python, Scikit-Learn, FastAPI, Pandas, Tailwind CSS.

Link: https://difa-nur-sahara.up.railway.app

2026: Pattern Recognition: Komparasi Algoritma KNN vs SVM pada Klasifikasi Citra

Project Overview:
Penelitian komparasi performa algoritma Machine Learning untuk menyelesaikan masalah klasifikasi citra digital (Image Classification). Proyek ini bertujuan membandingkan efektivitas antara metode berbasis jarak (K-Nearest Neighbor/KNN) dan metode berbasis margin (Support Vector Machine/SVM) dalam mengenali 10 kelas objek visual yang berbeda.

Dataset Statistics:
- Total Data: 1.959 Sampel Citra.
- Training Set: 834 Citra.
- Testing Set: 1.125 Citra.
- Classes: 10 Kategori (Label 0-9).

Performance Analysis:
Berdasarkan pengujian pada data testing, algoritma SVM terbukti lebih unggul dibandingkan KNN dengan detail sebagai berikut:
1. Akurasi Global:
- SVM: 80.89% (WINNER)
- KNN (K=3): 74.67%
Kesimpulan: SVM mampu melakukan generalisasi pola 6% lebih baik daripada KNN.

2. Classification Report Highlights:
- Best Precision: Model sangat presisi dalam mengenali Kelas 0 (90%) dan Kelas 4 (90%).
- Recall: Tingkat keberhasilan mengenali objek (Recall) mencapai 89% pada Kelas 7.
- Stability: Weighted Average F1-Score sebesar 0.81, menunjukkan model cukup stabil di berbagai kelas.

Technical Workflow:
- Preprocessing: Membaca citra digital dan normalisasi nilai piksel.
- Modeling: Melatih model KNN dengan K=3 dan SVM dengan kernel optimal.
- Evaluation: Menggunakan Confusion Matrix dan metrik presisi/recall untuk validasi.

Tools & Tech Stack:
Python, Scikit-Learn, OpenCV, Matplotlib.