fuadraharjo (fuadraharjo)

2023: Analisis faktor-faktor yang mempengaruhi harga penjualan mobil. Beberapa faktor diantaranya model_year, model, condition, cylinders, fuel, odometer, transmission, type, paint_color, is_4wd.

Tugas ini dikerjakan dengan python menggunakan jupyter notebook
librari: pandas, numpy, matplotlib, seaborn

2023: Departemen periklanan perusahaan Megaline ingin mengetahui paket prabayar mana yang menghasilkan lebih banyak pendapatan, sehingga mereka bisa membuat anggaran iklan yang sesuai. Analisis dan Uji Hipotesis dilibatkan dalam projek ini.


Tugas ini dikerjakan dengan python menggunakan jupyter notebook
librari: pandas, numpy, matplotlib, seaborn, math, scipy

2023: Analisis preferensi pengguna taksi dari perusahaan Zuber terhadap beberapa faktor seperti dropoff location, company name dan uji hipotesis menggunakan scipy.

Tugas ini dikerjakan dengan python menggunakan jupyter notebook
librari: pandas, numpy, matplotlib, seaborn, re, scipy

2023: Membuat model prediksi klasifikasi untuk menentukan paket seluler yang cocok untuk pelanggan menggunakan library dari scikit-learn

Tugas ini dikerjakan dengan python menggunakan jupyter notebook
librari: pandas, sklearn

2023: Model prediksi klasifikasi untuk menentukan nasabah yang akan melakukan churn menggunakan modul scikit-learn serta penerapan teknik seperti one hot encoding (OHE), scaling features dan balancing target.

Tugas ini dikerjakan dengan python menggunakan jupyter notebook
librari: pandas, sklearn, matplotlib, seaborn

2023: Analisis bisnis untuk mengurangi risiko kerugian dalam pencarian lokasi sumur eksplorasi menggunakan machine learning dan teknik bootstrapping.

Tugas ini dikerjakan dengan python menggunakan jupyter notebook
librari: pandas, numpy sklearn, matplotlib, seaborn

2023: Membuat analisis data dan forecasting penjualan menggunakan machine learning di toko Walmart.

Librari: pandas, sklearn, xgboost, matplotlib, seaborn

2023: Membuat dashboard interaktif gaji data-scientist periode 2020-2023 menggunakan Microsoft PowerBI. Dataset berasal dari kaggle.

Tools: PowerBI

2023: Membuat dashboard interaktif rating test kendaraan di kanada untuk periode 2000-2022 menggunakan Microsoft PowerBI. Dataset berasal dari kaggle.

Tools: PowerBI

2023: Membuat dashboard interaktif penjualan pizza restoran fiktif menggunakan Microsoft PowerBI. Dataset berasal dari kaggle.

Tools: PowerBI

2023: Sebuah perusahaan asuransi sosial fiktif berbasis syariah bernama "Sure Tomorrow" ingin menyelesaikan beberapa masalah dengan bantuan machine learning. Perusahaan ini, ingin menciptakan model yang bisa memprediksi apakah calon klien mereka sebagai penerima manfaat asuransi atau sebagai donatur asuransi. Keuntungan perusahaan diperoleh dari jasa yang ditawarkan kepada donatur asuransi, perusahaan ini ingin agar terciptanya keseimbangan antara penerima manfaat asuransi dan donatur asuransi sehingga operasi perusahaan tetap berjalan. Perusahaan memiliki dataset untuk melatih model berdasarkan informasi pribadi calon klien mereka seperti gender, age, income, family_members, dan insurance_benefits. Beberapa tugas yang harus bisa diselesaikan oleh model diantaranya:

Tugas 1: Menemukan klien yang mirip dengan kriteria klien tertentu. Tugas ini akan memudahkan perusahaan untuk melakukan pemasaran.
Tugas 2: Melakukan prediksi apakah klien baru kemungkinan akan mengambil klaim asuransi atau sebagai donatur asuransi. Apakah prediksi model lebih baik daripada prediksi model dummy?
Tugas 3: Melakukan prediksi besaran klaim asuransi yang mungkin diterima klien baru menggunakan model regresi linier.
Tugas 4: Melindungi data pribadi klien tanpa merusak model dari tugas sebelumnya. Sangatlah penting untuk mengembangkan algoritme transformasi data yang dapat mencegah penyalahgunaan informasi pribadi klien jika data tersebut jatuh ke tangan yang salah. Hal ini disebut penyembunyian data atau pengaburan data. Namun, prosedur perlindungan datanya pun perlu diperhatikan agar kualitas model machine learning tidak menurun.

2023: Rusty Bargain adalah perusahaan jual beli mobil bekas yang sedang mengembangkan sebuah aplikasi untuk menarik pembeli baru. Dalam aplikasi tersebut, kita bisa dengan cepat mengetahui nilai pasar mobil yang akan dijual. Kita diminta untuk membuat sebuah model machine learning untuk menentukan nilai pasar mobil. Perusahaan sudah memiliki data historis harga kendaraan beserta parameter-parameter yang menentukan harga mobil seperti spesifikasi teknis kendaraan dan versi model kendaraan. Kita akan menggunakan beberapa model machine learning khususnya model yang menggunakan teknik boosting dan beberapa model yang bukan boosting sebagai pembanding. Perusahaan Rusty Bargain tertarik pada:

Kualitas prediksi.
Kecepatan model dalam memprediksi.
Waktu yang diperlukan untuk melatih model.
Beberapa model terkenal akan kita uji menggunakan dataset yang kita punya untuk menentukan yang terbaik diantaranya:

Regresi Linier
Random Forest
XGBoost
LightGBM
CatBoost

2023: Sebuah perusahaan taksi bernama Sweet Lift telah mengumpulkan data historis (time series) tentang pesanan taksi di bandara. Untuk menarik lebih banyak pengemudi pada jam sibuk, perlu memprediksi jumlah pesanan taksi untuk satu jam berikutnya. Perusahaan hanya mempunyai data historis dari bulan maret hingga bulan agustus tahun 2018. Kita akan membuat beberapa model machine learning untuk memprediksi jumlah pesanan beserta pengujian model-model tersebut, dimana metrik RMSE pada test set tidak boleh lebih dari 48. Berikut ini beberapa langkah untuk menyelesaikan masalah pada projek ini:

Melakukan resampling data dalam satu jam.
Menganalisis dataset untuk mendapatkan insights berupa fitur-fitur time series seperti analisis tren, seasonality dan residu.
Melatih model yang berbeda dengan hiperparameter yang berbeda. Disini kita akan menentukan bahwa sampel test sebesar 10% dari dataset.
Menguji metrik RMSE pada semua model menggunakan data test.
Membuat prediksi untuk bulan september tahun 2018 menggunakan best model.

2023: Sebuah perusahaan hiburan ingin membuat sebuah model machine learning untuk menyaring ulasan-ulasan sebuah film serta mengkategorikanya. Ulasan-ulasan tersebut harus bisa dikenali apakah berupa ulasan positf atau ulasan negatif. Kita akan menggunakan dataset ulasan dari IMBD dengan pelabelan polaritas untuk membuat sebuah model yang bisa mengklasifikasikan ulasan positif dan negatif. Model ini setidaknya harus memiliki skor F1 sebesar 0,85. Dataset akan kita lakukan eksplorasi menggunakan analisis data eksploratif (EDA) untuk mendapatkan insights di dalamnya serta memastikan agar dataset bisa melatih model dengan baik. Beberapa model dengan konfigurasi-nya yang akan kita latih dan uji diantaranya:

Model 0 - Konstan (Dummy Classifier)
Model 1 - NLTK, TF-IDF dan Logistic Regression
Model 2 - spaCy, TF-IDF dan Logistic Regression
Model 3 - spaCy, TF-IDF dan LGBMClassifier
Model 4 - BERT (Bidirectional Encoder Representations from Transformers) dan Logistic Regression

2023: Suatu waralaba supermarket bernama Good Seed ingin mengetahui apakah Data Science dapat membantu mereka mematuhi hukum dengan memastikan bahwa mereka tidak menjual produk yang memiliki batasan usia kepada pelanggan di bawah umur. Toko-toko dari waralaba ini dilengkapi dengan kamera di area kasir yang akan menampilkan sinyal ketika seseorang membeli produk dengan batasan usia. Metode visi komputer bisa digunakan untuk menentukan usia seseorang dari foto. Kita akan membuat dan melatih model untuk menyelesaikan projek ini dengan menggunakan deep learning. Kita akan menggunakan Convolutional Neural Network (CNN) yang populer untuk mengenali foto yaitu ResNet50 dengan menggunakan parameter dari imagenet. Metrik yang digunakan untuk evaluasi model diantaranya metrik loss adalah MSE, dan metrik scoring adalah MAE. Untuk mendapatkan model dengan kualitas yang bagus, maka metrik MAE-validation harus dibawah 8.

2023: Analisis Data Eksplorasi (EDA) dan Prediksi Model Menggunakan Teknik *`Cross-Validation`* dengan Skor `SMAPE` (*Symmetric Mean Absolute Percentage Error*).

2023: Airbnb adalah sebuah platform daring yang memungkinkan individu untuk menyewakan tempat tinggal mereka kepada tamu yang mencari akomodasi sementara. Nama Airbnb sendiri merupakan singkatan dari Air Bed & Breakfast mengacu pada awalnya ketika platform ini fokus pada penyediaan tempat tidur di rumah orang dan sarapan pagi. Namun, seiring berjalannya waktu, Airbnb telah berkembang menjadi platform yang lebih luas, mencakup berbagai jenis akomodasi, termasuk apartemen, rumah, vila, kabin, dan bahkan tempat-tempat unik seperti tenda, kastil, atau rumah pohon.

Sumber data berasal dari sumber terbuka (open source) yaitu Inside Air BnB. Sumber ini memiliki berbagai data listing air bnb dari berbagai belahan dunia untuk dibagikan secara publik yang terdiri dari dataset kalender, listing, neighbourhoods, peta lokasi dan juga ulasan. Saya mengambil dataset untuk wilayah United States, tepatnya Los Angeles yang memiliki data yang cukup banyak untuk diolah. Penulis sendiri mengambil topik ini hanya sekedar melengkapi projek akhir dari online bootcamp TripleTen Indonesia dan bukan untuk penelitian khusus. Informasi didalamnya bersifat inisiatif dan bukan merupakan fakta lapangan yang mendetail. Semuanya murni dari penulis dan bukan permintaan dari Airbnb atau pihak-pihak lain untuk tujuan komersil. Mari kita mulai:

Saat ini airbnb merupakan platform yang cukup berkembang dengan cukup pesat. Airbnb mengakui jika semakin banyak host yang mendaftarkan listing di platform mereka namun mereka tidak mengetahui harga yang cocok untuk ditampilkan pada listing mereka, maka listing mereka bisa dianggap murah atau terlalu mahal yang berujung host akan mengalami kerugian atau tidak laku. Airbnb ingin agar di dalam platform mereka, ketika host ingin membuat listing berdasarkan fasilitas mereka, platform akan memberikan rekomendasi harga, sehingga host bisa menyesuaikan harga berdasarkan rekomdendasi tersebut.

Selain itu, Airbnb mengeluhkan adanya ulasan-ulasan yang kurang baik berdasarkan reviews dari user yang sudah membeli layanan melalui platform mereka. Hal tersebut tentunya akan menurunkan reputasi serta keuntungan perusahaan. Airbnb ingin menemukan beberapa host yang memberikan fasilitas yang kurang baik untuk diberikan peringatan dan masukan agar tidak mengulangi perbuatanya. Disamping itu Airbnb juga ingin menemukan beberapa host yang memberikan pelayanan terbaik berdasarkan ulasan untuk diberikan penghargaan serta dijadikan model terbaik untuk campaign mereka. Beberapa user yang kecewa akan diberikan promo-promo menarik agar tetap setia menggunakan platform ini, sedangakn user yang setia bersama mereka diberikan badge menarik untuk mereka.

Airbnb juga ingin membuat suatu tampilan diplatform mereka untuk mengecek ketersedian availability mereka sehingga mereka bisa menentukan lokasi yang cukup ramai atau sepi. Dari situ mereka bisa melakukan pemasaran terhadap wilayah dan tanggal yang sepi untuk diberikan promo-promo menarik.

2023: Mengetahui seberapa besar resiko Gagal Bayar nasabah berdasarkan kriteria: Tingkat Pendapatan, Status Keluarga, Tujuan Cicilan dan Jumlah Anak untuk menilai calon nasabah.

Tugas ini dikerjakan dengan python menggunakan jupyter notebook
librari: pandas, numpy