Pengumuman! Cek Eligibilitas Magang Nasional Batch 3 Tahun 2026 Sudah Dibuka. Segera cek status kelayakan Anda melalui akun Maganghub.
1500630
CALL CENTERKonsultasi & Aduan (text only)
Perusahaan: 0813-2064-789
Peserta: 0813-2064-787
@Kemnaker
DM
Surya Energi Indotama
Deskripsi Pekerjaan
- Menyiapkan dan mendokumentasikan frozen blind set: kurasi data uji, penomoran versi, dan pencatatan siapa saja yang pernah mengaksesnya
- Menjalankan pengukuran mutu kalibrasi skor model mitra menggunakan Brier score dan Expected Calibration Error, serta membuat reliability diagram-nya
- Menerapkan metode kalibrasi (Platt scaling dan isotonic regression) pada skor model, lalu membandingkan hasil sebelum dan sesudah kalibrasi
- Membangun pemantauan sederhana untuk pergeseran distribusi masukan dan distribusi skor antar periode sebagai bahan deteksi drift
- Menghitung statistik keandalan sumber secara empiris, yaitu seberapa sering klaim tiap sumber terbukti benar terhadap data acuan
- Menyusun laporan kalibrasi berkala yang menjadi bahan audit mutu sumber.
- Penetapan ambang batas dan keputusan kebijakan tetap berada di tangan pembimbing.
Kualifikasi
- Memahami probabilitas dan statistika inferensial
- Memahami perbedaan antara skor mentah keluaran model dan probabilitas yang terkalibrasi
- Mengetahui metrik evaluasi klasifikasi (precision, recall, kurva ROC dan PR)
- Memahami konsep Machine Learning dan mengimplementasikannya dalam project
- Mampu memprogram dengan Python (NumPy, pandas, scikit-learn, matplotlib)
- Memahami dan terbiasa menggunakan Git (version control)
- Mampu menulis laporan analisis yang runut dan bisa diperiksa ulang orang lain
- Teliti terhadap kebocoran data antara set latih dan set uji
- Mampu bekerja dalam tim dan berkomunikasi dengan baik
- Diutamakan pernah menerapkan Platt scaling atau isotonic regression
- Diutamakan memahami Brier score, Expected Calibration Error, dan reliability diagram
- Diutamakan pernah mengerjakan analisis data deret waktu atau deteksi pergeseran distribusi.
- Mampu mendeteksi data outlier dalam sebuah dataset dan melakukan pre-processing terhadap data tersebut
Tools yang Digunakan
- Python (NumPy, pandas, scikit-learn, matplotlib, XGBoost)
- Jupyter Notebook, Visual Studio Code Git & GitHub/GitLab
- AI Tools (Open code, devin.ai, Claude, dll)
- DVC atau MLflow (versioning dataset)
- DBeaver (PostgreSQL)
- Draw.io atau Visio
Peserta magang akan mempelajari proses bisnis, ruang lingkup pekerjaan, serta alur kerja Data Science yang diterapkan dalam organisasi. Peserta akan memperdalam kemampuan pemrograman Python menggunakan NumPy, pandas, dan matplotlib, serta mempelajari penggunaan Git untuk pengelolaan versi kode. Selain itu, peserta akan mempelajari statistika deskriptif, probabilitas, statistika inferensial, eksplorasi data, identifikasi outlier, penanganan missing values, dan preprocessing data. Peserta juga akan mempelajari pembagian dataset menjadi data latih, validasi, dan uji serta memahami risiko data leakage. Pada akhir bulan, peserta diharapkan mampu melakukan eksplorasi dan preprocessing dataset serta menyusun laporan analisis data sederhana yang terdokumentasi dengan baik.
Peserta magang akan mempelajari konsep Machine Learning, khususnya klasifikasi, serta memahami perbedaan antara skor mentah keluaran model dan probabilitas yang terkalibrasi. Peserta akan mempraktikkan pengukuran performa model menggunakan confusion matrix, precision, recall, F1-score, ROC-AUC, dan PR-AUC. Selanjutnya, peserta akan mempelajari konsep kalibrasi probabilitas serta penerapan Brier score, Expected Calibration Error (ECE), dan reliability diagram untuk mengevaluasi kesesuaian probabilitas prediksi dengan kejadian aktual. Peserta juga akan melakukan analisis perbandingan beberapa hasil prediksi model untuk memahami hubungan antara kemampuan klasifikasi dan kualitas kalibrasi.
Peserta magang akan mengintegrasikan kompetensi yang telah diperoleh selama program ke dalam proyek akhir yang berfokus pada evaluasi kalibrasi model, analisis keandalan sumber, pengelolaan data uji, dan pemantauan data drift. Peserta akan menyusun rencana proyek bersama mentor, menentukan ruang lingkup analisis, menjalankan pipeline evaluasi dan kalibrasi, serta memvalidasi hasil menggunakan prosedur yang telah dipelajari. Peserta juga akan memastikan kode, dataset yang diizinkan, konfigurasi eksperimen, dan hasil analisis terdokumentasi dengan baik agar dapat direproduksi dan diaudit. Selanjutnya, peserta akan menyusun laporan akhir yang mencakup latar belakang, metodologi, hasil, interpretasi, keterbatasan, dan rekomendasi teknis.
Peserta magang akan mempelajari tata kelola dataset evaluasi melalui pengelolaan frozen blind set, yaitu kumpulan data uji yang dijaga agar tidak digunakan secara berulang untuk menyesuaikan model atau memilih metode. Peserta akan melakukan kurasi data uji, pemeriksaan kelengkapan dan kualitas label, penomoran versi dataset, serta pencatatan pihak yang mengakses data sesuai prosedur yang ditetapkan. Selain itu, peserta akan menghitung statistik keandalan sumber secara empiris dengan membandingkan klaim dari setiap sumber terhadap data acuan, termasuk menghitung proporsi klaim benar, jumlah sampel, dan ketidakpastian hasil apabila relevan. Peserta juga akan mendokumentasikan metodologi dan hasil analisis agar proses evaluasi dapat diaudit dan diulang.
Peserta magang akan mempelajari konsep data drift, perubahan distribusi skor model, dan perbedaan antara pergeseran distribusi data dengan penurunan performa model. Peserta akan melakukan analisis terhadap distribusi fitur masukan dan distribusi skor prediksi pada beberapa periode untuk mengidentifikasi perubahan pola data. Kegiatan ini mencakup penggunaan statistik deskriptif, visualisasi distribusi, serta metode perbandingan distribusi yang sesuai dengan karakteristik data. Peserta juga akan membangun pemantauan sederhana menggunakan Python untuk mencatat perubahan distribusi dan menyajikan hasilnya dalam bentuk notebook, grafik, atau dashboard sederhana. Apabila label aktual tersedia, peserta dapat melengkapi pemantauan dengan evaluasi performa dan kalibrasi model antarperiode.
Peserta magang akan mengintegrasikan kompetensi yang telah diperoleh selama program ke dalam proyek akhir yang berfokus pada evaluasi kalibrasi model, analisis keandalan sumber, pengelolaan data uji, dan pemantauan data drift. Peserta akan menyusun rencana proyek bersama mentor, menentukan ruang lingkup analisis, menjalankan pipeline evaluasi dan kalibrasi, serta memvalidasi hasil menggunakan prosedur yang telah dipelajari. Peserta juga akan memastikan kode, dataset yang diizinkan, konfigurasi eksperimen, dan hasil analisis terdokumentasi dengan baik agar dapat direproduksi dan diaudit. Selanjutnya, peserta akan menyusun laporan akhir yang mencakup latar belakang, metodologi, hasil, interpretasi, keterbatasan, dan rekomendasi teknis.
Jl. Soekarno-Hatta No.442, Pasirluyu, Kec. Regol, Kota Bandung, Jawa Barat 40254
Kota Bandung
PT Surya Energi Indotama (SEI) berdiri pada tanggal 6 Desember 2007 dan diambil alih sebagai anak perusahaan dari PT Len Industri (Persero) pada 14 Januari 2009. SEI merupakan perusahaan pionir dan terpercaya di bidang energi baru terbarukan, khususnya energi surya di Indonesia. SEI memiliki pengalaman skala kecil hingga besar yang didukung dengan kelas dunia. Dengan semangat menjadi perusahaan total solusi di bidang Energi Baru Terbarukan dan Konservasi Energi, SEI berperan sebagai Engineering, Procurement, Construction (EPC) dan Investor Energi Baru Terbarukan sebagai solusi terbaik bagi masyarakat sesuai dengan kebutuhan.
Mitrakarya Niaga Sukses
Tata Boga, Pendidikan Tata Boga, Manajemen Kuliner, Pendidikan Vokasional Seni Kuliner
Puri Laju Abba
Seni Kuliner dan Pengelolaan Jasa Makanan, Perhotelan, Seni Kuliner
Nusa Sejahtera Kharisma
Kedokteran Gigi, Kedokteran, Keperawatan
Inkaba
Teknik Tenaga Listrik, Teknik Manufaktur, Pendidikan Teknik Mesin
PT Dawa Daya Kahuripan
Fisioterapi
PT Dirgantara Indonesian (Persero)
Teknik Mesin, Teknik Penerbangan
