Fasya Haikal – Portofolio Data Science & Machine Learning

Tentang saya

Saya mahasiswa Data Science di BINUS University. Sebagian besar yang saya pelajari datang dari mengerjakan proyek: mengolah dataset, melatih model, melihat seberapa baik hasilnya, lalu menyiapkannya supaya bisa dipakai lewat aplikasi sederhana.

Proyek saya sejauh ini berupa prediksi dengan Python dan scikit-learn, dua proyek neural network (regresi hasil panen dan klasifikasi gambar buah), dan beberapa tugas di luar ML seperti metode numerik dan perancangan aplikasi.

Saya ingin magang untuk mendapatkan pengalaman nyata dan memperdalam kemampuan teknis saya.

Pendidikan: Data Science, BINUS University

Minat magang

Data Science Intern
Machine Learning Intern
Data Analyst Intern

Alur kerja di proyek saya

Data pengolahan dan pembersihan
Preprocessing Pipeline, feature engineering
Pelatihan model Random Forest, ANN, EfficientNetB0
Evaluasi akurasi, recall, R²
Deployment Streamlit, GitHub

Gambaran alur kerja, bukan grafik hasil eksperimen.

Proyek utama

Empat proyek machine learning, diikuti WealthPath sebagai proyek tim. Bukti visual dan link repository akan saya tambahkan setelah siap.

Fruit Freshness Detection

Tools: Python, TensorFlow/Keras, EfficientNetB0, pandas, scikit-learn

96,1%akurasi validasi, 26 kelas, 14.264 gambar

Problem: Mengklasifikasikan kesegaran buah dan sayur dari gambar: 13 jenis, masing-masing segar atau busuk (26 kelas), memakai dataset food-freshness dari Kaggle. Jumlah gambar per kelas sangat tidak seimbang, dari 327 sampai 13.681.
Approach: Transfer learning dengan EfficientNetB0 (pretrained ImageNet) dalam dua tahap: backbone dibekukan, lalu 30 layer teratas di-fine-tune dengan learning rate kecil. Data dibagi 80/20 terstratifikasi (57.054 latih, 14.264 validasi), dengan augmentasi gambar, class weight (kelas busuk diberi bobot ekstra), dropout, BatchNorm, dan regularisasi L2.
Result: Pada set validasi: akurasi 96,1%, precision 96,4%, dan recall 95,8%. Fine-tuning menaikkan recall dari 91,4% menjadi 95,8%. Angka ini berasal dari set validasi, belum ada test set terpisah.
My Contribution: Pemilik proyek tugas akhir. Notebook mencakup pipeline data, arsitektur model, training dua tahap, dan evaluasi.
Project Links: https://github.com/fasyahaikal/Automated-QA-System-Low-Latency-Fruit-Freshness-Detection

Distribusi kelas dataset
Kurva belajar fine-tuning

Tempat confusion matrix dan laporan per kelas (menyusul)

Credit Score Prediction

Tools: Python, pandas, scikit-learn, Streamlit

74%akurasi pada dataset 25.000 baris

Problem: Mengklasifikasikan kategori credit score dari data yang tersedia.
Approach: Pengolahan data dengan pandas dan scikit-learn, klasifikasi dengan Random Forest. Model disimpan sebagai file .pkl dan disiapkan untuk integrasi dengan aplikasi Streamlit.
Result: Akurasi 74% pada evaluasi yang dilakukan.
My Contribution: Pengolahan data, pengembangan model, evaluasi performa, dan persiapan deployment.
Project Links: Belum ditambahkan.

Tempat confusion matrix (menyusul)

Student Placement Prediction

Tools: scikit-learn (Pipeline, ColumnTransformer), MLflow, Streamlit

2 modelklasifikasi penempatan dan regresi gaji

Problem: Memprediksi apakah mahasiswa mendapat penempatan kerja, dan mengestimasi gajinya, dari dataset yang digunakan.
Approach: Preprocessing disusun dengan Pipeline dan ColumnTransformer, model dikelola dengan MLflow, dan antarmuka prediksi disiapkan dengan Streamlit.
Result: Mencakup dua pendekatan machine learning: klasifikasi (hasil penempatan) dan regresi (estimasi gaji).
My Contribution: Akan ditambahkan.
Project Links: Belum ditambahkan.

Tempat tampilan aplikasi (menyusul)

Agriculture Yield Prediction

Tools: Artificial Neural Network (regresi)

0,438 → 0,788nilai R² sebelum dan sesudah eksperimen

Problem: Memprediksi hasil produksi pertanian dengan pendekatan machine learning.
Approach: Membangun Artificial Neural Network untuk regresi, lalu bereksperimen untuk memperbaiki performa model.
Result: R² naik dari 0,438 menjadi 0,788.
My Contribution: Eksperimen model dan evaluasi performa.
Project Links: Belum ditambahkan.

Tempat grafik evaluasi (menyusul)

WealthPath proyek tim

Fokus saya: riset pengguna dan analisis feedback

Aplikasi keuangan pribadi dengan pencatatan pemasukan dan pengeluaran, budget bulanan per kategori, target keuangan, pelacakan aset, dan konsultasi dengan advisor (pembayaran disimulasikan untuk demo).

Kontribusi saya: Dokumentasi, penyebaran survei, analisis feedback pengguna, laporan, dan presentasi. Pengembangan aplikasi dikerjakan bersama tim.

Dashboard
Catat pengeluaran
Catat pemasukan
Budget bulanan
Target keuangan
Pilih advisor
Jadwal konsultasi

Klik gambar untuk memperbesar. Tangkapan layar berasal dari aplikasi tim.

Proyek tambahan

OverheadMNIST

Tools: autoencoder (deep learning, computer vision)

Autoencoder untuk mempelajari representasi gambar dan merekonstruksinya.

Smart Grid Energy Diagnostics

Tools: metode numerik

Penerapan metode numerik: Bisection, Cubic Interpolation, Gauss-Seidel, Least Squares, dan Newton-Raphson.

AccessJob proyek desain

Dibuat: arsitektur, use case diagram, activity diagram

Rancangan aplikasi pencarian kerja inklusif. Ini proyek perancangan dan belum diimplementasikan sebagai aplikasi.

Temuin validasi ide

Sudah dilakukan: validasi ide, pertanyaan wawancara, Business Model Canvas

Ide layanan B2B lead generation berbasis data, AI, dan automation. Aplikasinya belum dibangun.

Keahlian

Machine Learning

Klasifikasi
Regresi
Random Forest
Artificial Neural Network
Autoencoder
Transfer learning dan klasifikasi gambar (EfficientNetB0)

Tools

Python, scikit-learn, TensorFlow/Keras
Streamlit
Git dan GitHub
MLflow

Data dan evaluasi

Preprocessing
Feature engineering
Augmentasi data dan penanganan class imbalance
Evaluasi model
Analisis hasil

Tambahan

Metode numerik
Analisis feedback pengguna