Machine Learning/Deep Learning untuk Object Detection, Klasifikasi Objek, dan Sejenisnya (Python)

Cek kelayakan data & buat baseline model sederhana ML/DL. Fokus analisis data dan rekomendasi langkah lanjut, bukan kejar akurasi tinggi atau tuning berat.

Apa yang akan diterima pemberi kerja

• • Review masalah dan tujuan proyek (klasifikasi / regresi / deteksi, dll).
• • Review singkat dataset (struktur, jumlah, kualitas label) untuk 1 dataset.
• • Rekomendasi pendekatan / arsitektur model yang realistis sesuai kondisi data.
• • Implementasi baseline sederhana (1 model simple) tanpa tuning berulang.
• • Laporan singkat (PDF / dokumen) berisi: kondisi data, hasil baseline, saran langkah lanjutan
• • Script / notebook baseline + contoh cara menjalankan.
• • x revisi untuk klarifikasi / penyesuaian minor (bukan ganti problem atau dataset baru).

Bangun model ML/DL dengan 1 arsitektur utama + preprocessing & max 2x tuning. Termasuk laporan metrik dan script inference. Tanpa garansi akurasi, tergantung kualitas data.

Apa yang akan diterima pemberi kerja

• • Semua yang ada di Paket Basic (review & pemilihan pendekatan).
• • Preprocessing & pipeline data: split train/validation/test, normalisasi, augmentasi ringan
• • Training model dengan 1 arsitektur utama (misal: CNN tertentu, LSTM, dll - disepakati di awal).
• • Maksimal 2 siklus tuning pada arsitektur yang sama (ubah learning rate, jumlah epoch, batch size)
• • Model terlatih (weights / file model) + script inference untuk data baru.
• • aporan hasil: metric utama (akurasi / F1 / mAP, dll), confusion matrix / grafik performa.
• • 2x revisi dalam scope yang sama (bugfix - tidak termasuk ganti problem/dataset baru)

Paket lengkap untuk eksperimen hingga 3 model, max 4x tuning, pipeline rapi siap dipakai, plus dokumentasi & rekomendasi. Target akurasi jadi goal, bukan garansi.

Apa yang akan diterima pemberi kerja

• • Semua deliverable dari Paket Standard.
• • ksperimen hingga 3 varian model / arsitektur
• • Maksimal 4 siklus tuning yang dibagi di antara model-model tersebut.
• • Perbandingan hasil model: tabel metric (akurasi / F1 / mAP, dll), grafik performa.
• • Struktur repo / notebook terorganisir: folder data, script training, evaluation, config dasar.
• • Dokumentasi teknis singkat: cara menjalankan ulang training, inference di data baru.
• • Rekomendasi pengembangan berikutnya
• • 3x revisi dalam scope yang sama (bugfix, – tidak termasuk ganti problem/dataset baru).