NPM : 2231155

Role : Backend

NPM : 2231163

Role : Data Scientist

NPM : 2231130

Role : UI/UX Design

NPM : 2231119

Role. : Data Scientist

1. Ingest Data (Mengambil Data)
   Langkah ini melibatkan pengambilan data dari berbagai sumber seperti database, API, data warehouse, atau data eksternal lainnya. Data ini kemudian disiapkan untuk proses selanjutnya.

2. Prepare and Clean Data (Persiapan dan Pembersihan Data)

   Ilmuwan data membersihkan data dari anomali atau kesalahan, lalu mengubahnya menjadi bentuk yang dapat dianalisis. Ini meliputi proses seperti pengisian nilai yang hilang, transformasi data, dan pemfilteran.

3. Develop and Train Models (Pengembangan dan Pelatihan Model)
   Ilmuwan data menggunakan algoritma machine learning atau statistik untuk mengembangkan dan melatih model prediktif atau analitik. Mereka dapat menggunakan berbagai bahasa pemrograman dan pustaka yang didukung oleh Domino DataLab.

4. Validate and Test Models (Validasi dan Pengujian Model)

   Model yang telah dikembangkan diuji menggunakan data uji untuk memastikan akurasi dan performanya sebelum diterapkan di lingkungan produksi. Hal ini mencakup validasi model untuk menghindari overfitting atau underfitting.

5. Deploy Models (Penerapan Model)
   Setelah diuji, model dapat diterapkan di lingkungan produksi, di mana model tersebut mulai digunakan untuk menghasilkan prediksi atau analisis berdasarkan data baru.

6. Monitor and Improve (Pemantauan dan Perbaikan)
   Model yang diterapkan dipantau secara kontinu untuk memastikan performa yang stabil. Jika model mulai kehilangan akurasi, dilakukan penyesuaian atau pelatihan ulang model untuk mempertahankan kualitas prediksi.

7. Collaborate and Share (Kolaborasi dan Berbagi)
   Domino DataLab menyediakan fitur kolaborasi yang memungkinkan tim berbagi kode, data, eksperimen, serta hasil analisis secara mudah. Hal ini mendorong kolaborasi antar departemen.

   Referensi : Chat GPT

NPM : 2131110

Role : Backend

1. Kolaborasi Tim: Memfasilitasi kolaborasi antara data scientist dan pemangku kepentingan, meningkatkan efisiensi kerja tim.

2. Integrasi Sumber Data: Memungkinkan integrasi yang mudah dengan berbagai sumber data dan alat analitik.

3. Reproducibility: Mendorong praktik reproducibility, sehingga eksperimen dapat diulang dengan hasil yang konsisten.

4. Automasi: Menyediakan fitur automasi untuk pengujian dan pengembangan model, mengurangi beban kerja manual.

5. Monitoring Model: Memungkinkan pemantauan dan evaluasi kinerja model secara real-time.

6. Skalabilitas: Mendukung skalabilitas untuk proyek yang membutuhkan sumber daya besar dan kompleksitas tinggi.

Kelemahan:

1. Biaya: Lisensi dan biaya implementasi bisa tinggi, terutama untuk organisasi kecil.

2. Kurva Pembelajaran: Pengguna baru mungkin memerlukan waktu untuk memahami semua fitur dan fungsionalitas.

3. Ketergantungan pada Infrastruktur: Membutuhkan infrastruktur yang baik untuk mendapatkan performa optimal.

4. Kompleksitas Proyek: Dalam proyek yang lebih kecil, bisa jadi terlalu kompleks dan berlebihan.

5. Kustomisasi: Mungkin memerlukan penyesuaian khusus untuk memenuhi kebutuhan unik organisasi.

Referensi : ChatGPT

Referensi : Gemini AI