Modul 1 — Fundamental Predictive AI

Membahas konsep dasar dan penerapan Predictive AI dalam berbagai konteks bisnis dan teknologi. Peserta akan mempelajari manfaat, tantangan, serta kategori masalah yang dapat diselesaikan oleh AI, termasuk berbagai pendekatan pembelajaran seperti supervised, unsupervised, dan reinforcement learning. Modul ini juga mencakup proses training model, neural networks, serta fungsi utama AI seperti computer vision, NLP, speech recognition, dan pattern recognition dalam sistem modern.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan Tantangan Umum Penggunaan AI Prediktif
• Kategori Masalah Bisnis yang Ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan Pembelajaran AI Prediktif yang Umum
• Pembelajaran AI Prediktif dan Pelatihan Model
• Proses Training Loop Langkah demi Langkah
• Supervised Learning, Unsupervised Learning, dan Continuous Learning
• Heuristic Learning, Semi-Supervised Learning, dan Reinforcement Learning
• Desain Fungsional AI Prediktif: Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Pemahaman Model AI dan Neural Network

Modul 4 — Fundamental Generative AI

Membahas konsep dasar Generative AI serta penerapannya dalam berbagai skenario bisnis dan teknologi. Peserta akan mempelajari manfaat, tantangan, serta kategori masalah yang dapat diselesaikan oleh generative models, termasuk dasar neural networks, model AI, dan algoritma pembelajaran. Modul ini juga mencakup arsitektur utama seperti GANs, VAEs, dan Transformers, proses pelatihan model, serta praktik terbaik dalam membangun sistem Generative AI yang efektif, aman, dan dapat diandalkan.

Pokok Bahasan

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Umum Penggunaan Generative AI
• Kategori Masalah Bisnis yang Ditangani Generative AI
• Pemahaman Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Pelatihan Model Generative dan Pemahaman Training Loop
• Memahami Generative Adversarial Networks (GANs)
• Memahami Variational Autoencoders (VAE)
• Memahami Transformer
• Langkah-langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 13 — Fundamental AI Architecture & Design

Membahas konsep dasar arsitektur sistem kecerdasan buatan (AI) serta pendekatan desain dalam membangun solusi AI modern. Modul ini memberikan pemahaman mengenai jenis arsitektur AI, ruang lingkup sistem, mode operasional, serta komponen inti yang membentuk pipeline AI mulai dari data hingga inferensi dan monitoring sistem.

Pokok Bahasan

• Perbandingan AI Product Architecture dan Custom AI Architecture
• Ruang Lingkup Arsitektur AI (System dan Solution)
• Mode Operasional Solusi AI (Training dan Production)
• Tipe Arsitektur Sistem AI (Monolithic, Modular, Hybrid)
• Penyimpanan Data Solusi AI (Internal, Eksternal, Hybrid)
• Komponen Inti Sistem AI
• Data Ingestion untuk Sumber Data Predictive AI dan Generative AI
• Data Preprocessing dalam Sistem AI
• Feature Engineering dalam Sistem AI
• Inference Engine dalam Sistem AI
• Model Repository dalam Sistem AI
• Monitoring Operasi (Performance, Resource)
• Monitoring Data (Input dan Output)
• Monitoring Model (Weight dan Gradient, Distribusi Aktivasi, Bias dan Fairness)
• Monitoring Tambahan (Explainability, Robustness, Adversarial Attack, Kualitas Data, Labeling Data)

Modul 14 — Advanced AI Architecture & Design

Membahas teknik lanjutan dalam perancangan arsitektur sistem AI dengan fokus pada skalabilitas, optimasi performa, dan ketahanan sistem. Modul ini memberikan pemahaman mengenai bagaimana sistem AI modern dirancang untuk menangani beban besar, pemrosesan terdistribusi, serta adaptasi berkelanjutan melalui pendekatan arsitektur yang efisien dan resilien.

Pokok Bahasan

• Pola Skalabilitas Sistem AI
• Distributed Data Processing dan Data Caching
• Data Partitioning dan Sharding
• Incremental Processing
• Hardware Acceleration
• Autoscaling dan Load Balancing
• Continuous Learning
• Pola Performa Sistem AI
• Parallelisme dan Concurrency
• Edge Caching dan Vectorization
• Data Compression
• Lazy Loading
• Pola Ketahanan (Resiliency) Sistem AI
• Fault Tolerance
• Graceful Degradation
• Chaos Engineering

Modul 15 — AI Architecture & Design Lab

Membahas penerapan konsep arsitektur sistem AI melalui serangkaian studi kasus dan latihan berbasis skenario nyata. Modul ini berfokus pada pengujian kemampuan peserta dalam merancang, mengoptimalkan, dan mengevaluasi sistem AI dalam kondisi operasional yang kompleks, termasuk beban real-time, keterbatasan sumber daya, serta kebutuhan skalabilitas dan akurasi model.

Pokok Bahasan

• Latihan membaca 15.1: Latar belakang studi kasus IVA
• Latihan lab 15.2: Pelatihan model untuk prediksi real-time
• Latihan lab 15.3: Komputasi real-time dan kehabisan sumber daya
• Latihan lab 15.4: Skalabilitas sistem dan akurasi model
• Latihan lab 15.5: Generasi konten yang andal dan error sistem
• Latihan membaca 15.6: Latar belakang studi kasus HealthV
• Latihan lab 15.7: Pelatihan LLM untuk generasi konten personalisasi
• Latihan lab 15.8: Optimasi distribusi konten dan akses jarak jauh
• Latihan lab 15.9: Volume data dan keterbatasan sumber daya
• Latihan lab 15.10: Monitoring real-time dan beban kerja yang fluktuatif

Modul 1 — Fundamental Digital Transformation

Membahas konsep dasar Digital Transformation serta keterkaitannya dengan bisnis, teknologi, data, dan manusia, termasuk customer-centricity, data intelligence, otomatisasi, dan pengambilan keputusan cerdas dalam lingkungan digital modern.

Pokok Bahasan:

• Memahami Digital Transformation
• Manfaat dan tantangan Digital Transformation
• Pendorong bisnis dan teknologi Digital Transformation
• Customer-centricity dan product-centric vs customer-centric
• Interaksi pelanggan omnichannel dan customer journey
• Customer data intelligence dan dasar-dasar data intelligence
• Asal-usul data, sumber data, dan metode pengumpulan data
• Jenis pemanfaatan data
• Pengambilan keputusan cerdas
• Pengambilan keputusan manual berbantuan komputer
• Pengambilan keputusan otomatis berbasis kondisi
• Pengambilan keputusan manual cerdas vs otomatis cerdas
• Pengambilan keputusan otomatis berbasis pemicu langsung dan berkala
• Pengambilan keputusan otomatis real-time

Modul 2 — Digital Transformation in Practice

Membahas implementasi Digital Transformation melalui integrasi teknologi modern seperti AI, RPA, IoT, Machine Learning, Blockchain, Cloud Computing, dan Big Data dalam solusi bisnis end-to-end berbasis data intelligence.

Pokok Bahasan:

• Dasar desain solusi terdistribusi
• Data ingress: file pull, file push, API pull, API push, dan data streaming
• Pengenalan Digital Transformation dan teknologi otomasi
• Cloud computing dalam solusi Digital Transformation
• Risiko dan tantangan cloud computing
• Blockchain dalam solusi Digital Transformation
• Risiko dan tantangan blockchain
• IoT dalam solusi Digital Transformation
• Risiko dan tantangan IoT
• Robotic Process Automation (RPA)
• Risiko dan tantangan RPA
• Teknologi data science dalam Digital Transformation
• Big Data dan analitik data
• Risiko dan tantangan Big Data
• Machine Learning dalam Digital Transformation
• Risiko dan tantangan Machine Learning
• Artificial Intelligence (AI) dalam Digital Transformation
• Risiko dan tantangan AI
• Studi sistem Digital Transformation berbasis customer-centric
• Pemetaan teknologi terhadap proses solusi
• Pelacakan aliran dan penggunaan data intelligence

Modul 3 — Fundamental Cloud Computing

Membahas konsep dasar cloud computing, termasuk virtualisasi, karakteristik cloud, model layanan SaaS, PaaS, dan IaaS, serta mekanisme arsitektur cloud modern untuk mendukung skalabilitas dan reliabilitas sistem.

Pokok Bahasan:

• Terminologi dan konsep dasar cloud computing
• Dasar-dasar virtualisasi
• Karakteristik utama cloud computing
• Elastisitas, resiliensi, on-demand usage, dan measured usage
• Manfaat, tantangan, dan risiko cloud computing
• Model layanan SaaS, PaaS, dan IaaS
• Mekanisme cloud computing sebagai building blocks arsitektur
• Server virtual, container, failover system, dan pay-per-use monitoring
• Auto-scaling listener, multi-device broker, dan resource replication
• Dukungan mekanisme cloud terhadap karakteristik cloud
• Containerization, container hosting, dan logical pod containers
• Perbandingan containerization dan virtualisasi
• Cloud balancing dan cloud bursting

Modul 5 — Fundamental IoT

Membahas konsep dasar Internet of Things (IoT), termasuk konektivitas perangkat, arsitektur IoT, komunikasi data, sensor, gateway, serta mekanisme messaging dan pemrosesan data real-time dalam ekosistem IoT modern.

Pokok Bahasan:

• Things, connectivity, data, processing, commands, dan business analytics
• Pendorong bisnis dan teknologi IoT
• Manfaat dan tantangan IoT
• Miniaturisasi dan nanoteknologi
• Konektivitas IoT dan data real-time kontekstual
• Domain bisnis IoT
• IoT vs internet
• Perangkat low-resource dan LPWAN
• Perangkat aktif dan pasif termasuk RFID
• Data telemetri dan command data
• Sensor, mikrokontroler, firmware, dan sumber daya listrik
• Gateway IoT dan edge/fog computing
• Platform IoT dan fungsi platform
• Lapisan dan desain arsitektur IoT
• Radio transport dan komunikasi IoT
• REST, HTTP, CoAP, dan MQTT dalam IoT
• Serialisasi data JSON dan Protocol Buffers

Modul 20 — Fundamental AI Architecture

Membahas dasar arsitektur sistem AI, termasuk jenis arsitektur, mode operasional, komponen inti AI, data processing, inference, serta monitoring sistem untuk solusi Predictive AI dan Generative AI.

Pokok Bahasan:

• Perbandingan AI Architecture dan AI Engineering
• AI product architectures dan custom AI architectures
• Cakupan arsitektur AI pada level sistem dan solusi
• Mode operasional training dan production
• Arsitektur sistem AI: monolithic, modular, dan hybrid
• Penyimpanan data AI: internal, external, dan hybrid
• Modul inti sistem AI
• Data ingestion untuk Predictive AI dan Generative AI
• Data preprocessing dan feature engineering
• Inference engine dan model repository
• Operations monitoring dan resource monitoring
• Data monitoring input dan output
• Model monitoring: weight, gradient, activation distribution, bias, fairness
• Ancillary monitoring: explainability, robustness, adversarial attack, kualitas data, dan data labeling

Modul 1 — Fundamental Big Data Science & Analytics

Membahas konsep dasar Big Data dan Data Analytics dari perspektif bisnis dan teknologi, termasuk karakteristik data, proses analisis, machine learning, Business Intelligence, visualisasi data, serta pertimbangan adopsi Big Data dalam organisasi.

Pokok Bahasan:

• Memahami Big Data
• Terminologi dan konsep dasar Big Data
• Pendorong bisnis dan teknologi Big Data
• Teknologi enterprise tradisional terkait Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Big Data
• Karakteristik data dalam lingkungan Big Data
• Jenis dataset dalam lingkungan Big Data
• Data terstruktur, tidak terstruktur, dan semi-terstruktur
• Metadata dan keakuratan data (data veracity)
• Analisis dasar dan analitik
• Analisis kuantitatif dan kualitatif
• Jenis-jenis machine learning
• Analitik deskriptif dan diagnostik
• Analitik prediktif dan preskriptif
• Business Intelligence dan Big Data
• Visualisasi data dan Big Data
• Adopsi Big Data dan pertimbangan perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas konsep dan teknik analisis data modern dalam lingkungan Big Data, termasuk metode statistik, machine learning, analitik lanjutan, serta teknologi backend yang mendukung penyimpanan dan pemrosesan data skala besar.

Pokok Bahasan:

• Siklus hidup analisis Big Data
• A/B testing dan korelasi
• Regresi dan heat map
• Analisis deret waktu (time series analysis)
• Analisis jaringan dan analisis data spasial
• Klasifikasi dan clustering
• Filtering, collaborative filtering, dan content-based filtering
• Analisis sentimen dan text analytics
• Cluster serta pemrosesan beban kerja batch dan transaksional
• Hubungan cloud computing dengan Big Data
• Mekanisme teknologi dasar Big Data
• Penyimpanan data Big Data dan processing engines
• Resource manager, data transfer engine, dan query engine
• Analytics engine, workflow engine, dan coordination engine

Modul 1 — Fundamental Predictive AI

Membahas konsep dasar dan penerapan Predictive AI dalam berbagai konteks bisnis dan teknologi, termasuk pendekatan pembelajaran AI, training model, neural network, serta fungsi utama AI seperti computer vision, NLP, speech recognition, dan pattern recognition.

Pokok Bahasan:

• Pendorong bisnis dan teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan tantangan umum penggunaan AI Prediktif
• Kategori masalah bisnis yang ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan pembelajaran AI Prediktif yang umum
• Pembelajaran AI Prediktif dan pelatihan model
• Proses training loop langkah demi langkah
• Supervised learning, unsupervised learning, dan continuous learning
• Heuristic learning, semi-supervised learning, dan reinforcement learning
• Desain fungsional AI Prediktif: computer vision dan pattern recognition
• Robotics dan Natural Language Processing (NLP)
• Speech recognition dan Natural Language Understanding (NLU)
• Pemahaman model AI dan neural network

Modul 2 — Microservice Technology Concepts

Membahas konsep dan teknologi dasar implementasi microservices, termasuk komunikasi layanan, pertukaran data, REST services, web services, serta konsep cloud computing dalam arsitektur layanan modern.

Pokok Bahasan:

• Perbandingan medium implementasi layanan
• Peran service roles dan service agents
• Message exchange patterns dan service activities
• Konsep dasar XML, XML Schema, JSON, dan JSON Schema
• HTTP methods, response codes, dan headers
• Konsep dasar REST service termasuk properti dan constraint
• REST services, contracts, resources, dan messaging
• Hypermedia dan late binding
• Konsep dasar WSDL dan SOAP
• WS-* technologies
• Web service contracts, messaging, dan registries
• Konsep cloud computing
• Vertical dan horizontal scaling
• Multitenancy, elasticity, dan resiliency
• On-demand usage, ubiquitous access, dan measured usage
• Public, private, dan hybrid clouds
• Model layanan IaaS, PaaS, dan SaaS

Modul 7 — Fundamental Predictive AI Engineering

Membahas teknik dasar rekayasa Predictive AI, termasuk preprocessing data, evaluasi model, optimasi performa, deployment, monitoring, serta arsitektur neural network untuk sistem AI prediktif.

Pokok Bahasan:

• Predictive AI model selection dan hyperparameter tuning
• Predictive AI model deployment, monitoring, dan maintenance
• Predictive AI bias detection dan mitigation
• Predictive AI model explainability dan interpretability
• Predictive AI model evaluation dan validation techniques
• Data preprocessing techniques, overfitting, dan regularization
• Performance optimization techniques for Predictive AI models
• Understanding predictive neural networks and models
• Neural network types, neurons, layers, links, dan weights
• Loss, hyperparameters, learning rate, bias, dan epoch
• Activation functions (Sigmoid, Tanh, ReLU, Leaky ReLU, Softmax, Softplus)
• Neuron cell types (input, hidden, recurrent, convolution, pool, output, dll.)
• Common neural network architectures for Predictive AI systems

Modul 10 — Fundamental Generative AI Engineering

Membahas praktik dasar rekayasa Generative AI, termasuk pengolahan data, prompt engineering, evaluasi model, optimasi performa, serta arsitektur neural network untuk sistem AI generatif.

Pokok Bahasan:

• Representasi data dan encoding
• Latent space dan manipulasi latent space
• Prompt engineering
• Metrik evaluasi model generatif
• Pemilihan model Generative AI dan hyperparameter tuning
• Deployment, monitoring, dan maintenance model Generative AI
• Deteksi dan mitigasi bias pada Generative AI
• Explainability dan interpretability model Generative AI
• Teknik evaluasi dan validasi model Generative AI
• Teknik preprocessing data, overfitting, dan regularization
• Teknik optimasi performa model Generative AI
• Memahami neural network generatif dan model-modelnya
• Tipe neural network, neuron, layer, link, dan weight
• Loss, hyperparameter, learning rate, bias, dan epoch
• Fungsi aktivasi (Leaky ReLU, Tanh, ReLU, Softmax, Sigmoid, Softplus)
• Tipe sel neuron (input, hidden, recurrent, convolution, pool, output, dll.)
• Arsitektur neural network umum untuk sistem Generative AI

Modul 13 — Fundamental AI Architecture & Design

Membahas konsep dasar arsitektur sistem AI dan pendekatan desain solusi AI modern, termasuk mode operasional, komponen inti AI pipeline, data processing, inference, serta monitoring sistem AI.

Pokok Bahasan:

• Perbandingan AI product architecture dan custom AI architecture
• Ruang lingkup arsitektur AI (system dan solution)
• Mode operasional solusi AI (training dan production)
• Tipe arsitektur sistem AI (monolithic, modular, hybrid)
• Penyimpanan data solusi AI (internal, eksternal, hybrid)
• Komponen inti sistem AI
• Data ingestion untuk Predictive AI dan Generative AI
• Data preprocessing dalam sistem AI
• Feature engineering dalam sistem AI
• Inference engine dalam sistem AI
• Model repository dalam sistem AI
• Monitoring operasi (performance dan resource)
• Monitoring data (input dan output)
• Monitoring model (weight, gradient, activation distribution, bias, fairness)
• Monitoring tambahan (explainability, robustness, adversarial attack, kualitas data, dan labeling data)

Modul 1 — Fundamental Digital Transformation

Membahas dasar Digital Transformation, termasuk customer-centricity, data intelligence, otomatisasi, dan pengambilan keputusan cerdas dalam lingkungan bisnis digital modern.

Pokok Bahasan:

• Memahami Digital Transformation
• Manfaat dan Tantangan Digital Transformation
• Pendorong Bisnis dan Teknologi
• Customer-Centricity dan Product-Centricity
• Interaksi Pelanggan Omnichannel
• Customer Journey dan Customer Data Intelligence
• Dasar Data Intelligence
• Pengumpulan dan Pemanfaatan Data
• Pengambilan Keputusan Cerdas
• Pengambilan Keputusan Manual dan Otomatis
• Pengambilan Keputusan Real-Time

Modul 2 — Digital Transformation in Practice

Membahas implementasi Digital Transformation melalui integrasi AI, RPA, IoT, Blockchain, Cloud Computing, Big Data, dan Machine Learning dalam proses bisnis end-to-end.

Pokok Bahasan:

• Dasar Desain Solusi Terdistribusi
• Data Ingress dan Data Streaming
• Teknologi Otomasi
• Cloud Computing dalam Digital Transformation
• Blockchain dalam Digital Transformation
• Internet of Things (IoT)
• Robotic Process Automation (RPA)
• Data Science dan Big Data Analytics
• Machine Learning dalam Digital Transformation
• Artificial Intelligence (AI)
• Risiko dan Tantangan Teknologi Digital
• Studi Solusi Customer-Centric
• Pemetaan Teknologi Digital Transformation
• Pemanfaatan Data Intelligence

Modul 3 — Fundamental Cloud Computing

Membahas dasar cloud computing, termasuk virtualisasi, model layanan cloud, containerization, serta mekanisme cloud yang mendukung skalabilitas dan reliabilitas sistem.

Pokok Bahasan:

• Konsep Dasar Cloud Computing
• Virtualisasi
• Karakteristik Cloud Computing
• Elastisitas, Resiliensi, dan On-Demand Usage
• SaaS, PaaS, dan IaaS
• Mekanisme Cloud Computing
• Virtual Server dan Container
• Auto-Scaling dan Resource Replication
• Containerization dan Container Hosting
• Containerization vs. Virtualisasi
• Cloud Balancing dan Cloud Bursting

Modul 4 — Fundamental Blockchain

Membahas dasar blockchain, termasuk desentralisasi, distributed ledger, konsensus, smart contract, dan penerapan blockchain dalam berbagai industri.

Pokok Bahasan:

• Manfaat dan Tantangan Blockchain
• Pendorong Bisnis dan Teknologi Blockchain
• Model Desentralisasi Blockchain
• Distributed Ledger dan Blockchain Network
• Komponen Fundamental Blockchain
• Transaksi, Blok, dan Rantai
• Full Node dan Partial Node
• Siklus Hidup Record dan Blok
• Merkle Tree dan Konsensus
• Algoritma Konsensus Blockchain
• Public vs. Private Blockchain
• Coin, Token, dan Smart Contract
• Hashing dan Kriptografi
• On-chain, Off-chain, dan Cross-chain
• Soft Fork dan Hard Fork
• Metrik Blockchain

Modul 5 — Fundamental IoT

Membahas dasar Internet of Things (IoT), termasuk perangkat IoT, konektivitas, data real-time, arsitektur IoT, dan komunikasi perangkat dalam sistem IoT modern.

Pokok Bahasan:

• Konsep Dasar IoT
• Pendorong Bisnis dan Teknologi IoT
• Konektivitas IoT dan Data Real-Time
• Domain Bisnis IoT
• LPWAN dan Resource-Constrained Devices
• RFID dan Perangkat IoT
• Sensor dan Telemetry Data
• Mikrokontroler dan Firmware
• IoT Gateway dan IoT Platform
• Edge Computing dan Fog Computing
• Lapisan Arsitektur IoT
• REST, HTTP, dan CoAP
• MQTT dan Publish-Subscribe
• JSON dan Protocol Buffers

Modul 6 — Cloud Architecture

Membahas arsitektur cloud computing, termasuk IaaS, provisioning, resource management, monitoring, scalability, dan optimasi layanan cloud modern.

Pokok Bahasan:

• Studi Kasus XIT
• Penyiapan Lingkungan IaaS
• Kustomisasi Arsitektur IaaS
• Karakteristik Cloud
• Studi Kasus Sport Blips
• Arsitektur Cloud Berkinerja Tinggi
• Optimasi Kinerja
• Arsitektur Cloud dengan Konektivitas Tinggi

Modul 7 — Blockchain Architecture

Membahas arsitektur blockchain, mekanisme inti blockchain, serta pola desain untuk membangun solusi blockchain yang aman, scalable, dan andal.

Pokok Bahasan:

• Mekanisme Teknologi Blockchain
• Node Monitoring dan Node Deployment
• Consensus Processor dan Block Maker
• Hashing Engine dan Wallet
• Ledger Replication dan Node Migration
• Pola Validasi dan Integritas Blockchain
• Sidechain dan Consensus Validation
• Pola Skalabilitas Blockchain
• Auto-Scaling Node dan Geo Scaling
• Pola Keamanan dan Privasi Blockchain
• Federated Chain dan Perlindungan Data
• Lightweight Node dan Node Task Abstraction

Modul 8 — IoT Architecture

Membahas arsitektur IoT, komponen perangkat IoT, komunikasi perangkat, pemrosesan telemetri, serta pola desain untuk sistem IoT yang scalable dan aman.

Pokok Bahasan:

• Sensor, Aktuator, Modem, dan Control Logic
• IoT Platform dan Gateway
• Device Shadow dan Device Registry
• Trusted Platform Module (TPM)
• Pola Distribusi Fungsi IoT
• Telemetry Processing
• Canonical Data Format dan Metadata
• Information Transduction dan Encoding
• Optimasi Performa IoT
• Observe Messaging dan Traffic Profile
• Reconnection dan Workload Regulation
• Keamanan dan Keandalan IoT
• Radio Transport Encryption
• Network-Based Positioning dan Triangulation

Modul 20 — Fundamental AI Architecture

Membahas dasar arsitektur sistem AI, termasuk modul inti AI, data processing, monitoring, dan pengelolaan sistem Predictive AI dan Generative AI.

Pokok Bahasan:

• AI Architecture vs. AI Engineering
• AI Product dan Custom AI Architectures
• Sistem dan Solusi AI
• Training dan Production Mode
• Monolithic, Modular, dan Hybrid Architecture
• Penyimpanan Data AI
• Modul Inti Sistem AI
• Data Ingestion dan Data Preprocessing
• Feature Engineering
• Inference Engine dan Model Repository
• Operations Monitoring
• Data dan Model Monitoring
• Explainability, Robustness, dan Fairness

Modul 21 — Advanced AI Architecture

Membahas arsitektur AI tingkat lanjut untuk skalabilitas, optimasi performa, dan ketahanan sistem AI modern.

Pokok Bahasan:

• Skalabilitas Sistem AI
• Distributed Processing dan Data Caching
• Data Partitioning dan Sharding
• Incremental Processing
• Hardware Acceleration
• Autoscaling dan Load Balancing
• Continuous Learning
• Paralelisme dan Konkurensi
• Edge Caching dan Vectorization
• Kompresi Data dan Lazy Loading
• Fault Tolerance
• Graceful Degradation
• Chaos Engineering

Modul 1 — Fundamental Cloud Computing

Membahas dasar cloud computing, termasuk virtualisasi, model layanan cloud, containerization, serta mekanisme cloud yang mendukung skalabilitas, elastisitas, dan reliabilitas sistem.

Pokok Bahasan:

• Terminologi dan Konsep Dasar Cloud Computing
• Dasar-dasar Virtualisasi
• Karakteristik Cloud Computing
• Elastisitas, Resiliensi, On-Demand, dan Measured Usage
• Manfaat, Tantangan, dan Risiko Cloud Computing
• Software as a Service (SaaS)
• Platform as a Service (PaaS)
• Infrastructure as a Service (IaaS)
• Mekanisme Cloud Computing
• Virtual Server, Container, dan Failover System
• Auto-Scaling, Multi-Device Broker, dan Resource Replication
• Containerization dan Container Hosting
• Containerization vs. Virtualisasi
• Cloud Balancing dan Cloud Bursting

Modul 2 — Cloud Technology Concepts

Membahas konsep dan mekanisme utama cloud computing, termasuk virtualisasi, containerization, keamanan cloud, cloud storage, serta layanan dan standar cloud modern.

Pokok Bahasan:

• Mekanisme Cloud Computing
• Virtual Server, Container, dan Failover System
• Auto-Scaling dan Resource Replication
• Containerization dan Logical Pod Containers
• Containerization vs. Virtualisasi
• Cloud Balancing dan Cloud Bursting
• Risiko, Ancaman, dan Kerentanan Cloud
• Mekanisme Keamanan Cloud
• Security Group dan Hardened Virtual Server
• Web Services dan REST Services
• Cloud Storage dan Teknologi Penyimpanan
• NoSQL dan Penyimpanan Relasional
• Pengujian Layanan Cloud
• Service Grid dan Autonomic Computing
• Organisasi Standar Industri Cloud

Modul 1 — Fundamental Predictive AI

Membahas dasar Predictive AI, termasuk pendekatan pembelajaran AI, training model, neural network, serta penerapan AI seperti computer vision, NLP, speech recognition, dan pattern recognition.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan Tantangan Penggunaan AI Prediktif
• Kategori Masalah Bisnis yang Ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan Pembelajaran AI Prediktif
• Training Model dan Training Loop
• Supervised, Unsupervised, dan Continuous Learning
• Semi-Supervised, Heuristic Learning, dan Reinforcement Learning
• Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Neural Network dan Model AI

Modul 4 — Fundamental Generative AI

Membahas dasar Generative AI, termasuk model generatif, neural network, arsitektur GAN, VAE, dan Transformer, serta proses pelatihan model dan praktik terbaik implementasi AI.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Generative AI
• Kategori Masalah yang Ditangani Generative AI
• Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Training Model dan Training Loop
• Generative Adversarial Networks (GANs)
• Variational Autoencoders (VAE)
• Transformer
• Langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 5 — Cloud AI Technology & Automation

Membahas infrastruktur cloud untuk pengembangan, pelatihan, deployment, monitoring, dan optimasi solusi Predictive AI dan Generative AI.

Pokok Bahasan:

• Cloud Computing untuk AI
• Infrastruktur Cloud AI
• GPU dan TPU untuk AI
• Layanan AI di Cloud
• AWS SageMaker, Azure Machine Learning, dan Google AI Platform
• Pre-built AI APIs
• Pengelolaan Data AI di Cloud
• Object Storage, Data Warehouse, dan Data Lake
• Pelatihan Model AI di Cloud
• Deployment Model AI
• Tata Kelola dan Kepatuhan Data AI
• Monitoring dan Optimasi Workload AI
• Keamanan dan Privasi AI

Modul 23 — Cloud AI Architecture & Design

Membahas arsitektur dan desain solusi AI berbasis cloud, termasuk infrastruktur AI, containerization, keamanan, skalabilitas, dan optimasi performa sistem AI modern.

Pokok Bahasan:

• Pengantar Arsitektur AI Berbasis Cloud
• Infrastruktur Cloud AI
• Komputasi dan Penyimpanan untuk AI
• Desain Jaringan untuk AI
• Integrasi AI dalam Arsitektur Cloud
• Tata Kelola Data dan Orkestrasi AI
• Serverless AI dan Microservices
• Containerization Lingkungan AI
• Hybrid Cloud dan Multi-Cloud AI
• Keamanan Arsitektur AI
• Kepatuhan dan Privasi AI
• Skalabilitas dan Optimasi Kinerja

Modul 24 — Cloud AI Architecture & Design Lab

Membahas penerapan arsitektur AI berbasis cloud melalui desain, deployment, monitoring, keamanan, dan optimasi sistem AI modern.

Pokok Bahasan:

• Prinsip Desain Arsitektur AI
• Hyper-Scaling Infrastruktur AI
• Arsitektur Data Real-Time
• Microservices dan Service Mesh
• Arsitektur Keamanan AI dan Zero-Trust
• Manajemen Siklus Hidup AI
• Otomasi dan Manajemen Resource AI
• Dataflow dan State Management
• Sistem AI Terdistribusi
• Monitoring dan Observability AI
• Disaster Recovery dan Business Continuity
• Interoperabilitas dan Standardisasi AI

Modul 4 — Fundamental Generative AI

Membahas dasar Generative AI, termasuk model generatif, neural network, arsitektur GAN, VAE, dan Transformer, serta proses pelatihan model dan praktik terbaik implementasi AI.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Generative AI
• Kategori Masalah yang Ditangani Generative AI
• Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Training Model dan Training Loop
• Generative Adversarial Networks (GANs)
• Variational Autoencoders (VAE)
• Transformer
• Langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 5 — Advanced Generative AI

Membahas konsep lanjutan Generative AI, termasuk model generatif, optimasi model, evaluasi performa, transfer learning, serta berbagai arsitektur neural network untuk kebutuhan aplikasi AI modern.

Pokok Bahasan:

• Ethical Guardians dan Output Translators
• Pre-Trained Language Models (PLMs) dan Transfer Learning
• Noise Injection, Temperature Adjustment, dan Random Sparks
• Generative Adversarial Networks (GANs)
• Variational Autoencoders (VAE)
• Transformer
• Conditional GAN (cGAN)
• Recurrent Neural Networks (RNN) dan LSTM
• Large Language Models (LLM) dan NLP
• Evaluasi Model dan Evaluasi Training
• Baseline Modeling dan Optimasi Model
• Menghindari Overfitting

Modul 6 — Generative AI Lab

Berisi studi kasus dan latihan praktis untuk menerapkan konsep Generative AI dalam berbagai skenario bisnis, termasuk kualitas model, workflow, NLP, dan optimasi implementasi AI.

Pokok Bahasan:

• Studi Kasus ACG
• Kualitas Konten dan Kebingungan Model
• Brand Safety dan Workflow
• Penurunan Kualitas Output Konten
• Studi Kasus Wordy MAC Communications
• Distribusi Konten dan Kualitas Output
• Biaya Pelatihan dan Keterbatasan Konten
• Tantangan Natural Language Processing
• Studi Kasus Medi-Cycle Innovations
• Aplikasi Usang dan Perubahan Pasar
• Mode Collapse Kritis

Modul 1 — Fundamental Big Data Science & Analytics

Membahas konsep dasar Big Data dan Data Analytics dari perspektif bisnis maupun teknologi. Peserta akan mempelajari karakteristik dan jenis data, proses analisis data, konsep machine learning, berbagai pendekatan analytics, serta peran Business Intelligence dan visualisasi data dalam menghasilkan wawasan yang mendukung pengambilan keputusan. Modul ini juga mengulas manfaat, tantangan, dan pertimbangan penting dalam adopsi Big Data di organisasi.

Pokok Bahasan

• Memahami Big Data
• Terminologi dan Konsep Dasar Big Data
• Pendorong Bisnis Big Data dan Pendorong Teknologi
• Teknologi Enterprise Tradisional yang Berkaitan dengan Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Konteks Big Data
• Karakteristik Data dalam Lingkungan Big Data
• Jenis Dataset dalam Lingkungan Big Data
• Data Terstruktur, Tidak Terstruktur, dan Semi-Terstruktur
• Metadata dan Keakuratan Data (Data Veracity)
• Analisis Dasar dan Analitik
• Analisis Kuantitatif dan Kualitatif
• Jenis-jenis Machine Learning
• Analitik Deskriptif dan Diagnostik
• Analitik Prediktif dan Preskriptif
• Business Intelligence dan Big Data
• Visualisasi Data dan Big Data
• Adopsi Big Data dan Pertimbangan Perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas konsep dan teknik analisis data modern dalam lingkungan Big Data, termasuk metode statistik, machine learning dasar, serta pendekatan analitik seperti A/B testing, regresi, clustering, dan time series analysis. Peserta juga akan mempelajari analisis data lanjutan seperti sentiment analysis, network analysis, serta filtering techniques, disertai pemahaman konsep teknologi backend yang mendukung ekosistem Big Data seperti storage, processing engine, dan cloud computing.

Pokok Bahasan

• Siklus Hidup Analisis Big Data (dari evaluasi kasus bisnis hingga analisis dan visualisasi data)
• A/B Testing dan Korelasi
• Regresi dan Heat Map (Peta Panas)
• Analisis Deret Waktu (Time Series Analysis)
• Analisis Jaringan dan Analisis Data Spasial
• Klasifikasi dan Clustering
• Filtering, termasuk Collaborative Filtering dan Content-Based Filtering
• Analisis Sentimen dan Text Analytics
• Cluster serta Pemrosesan Beban Kerja Batch dan Transaksional
• Hubungan Cloud Computing dengan Big Data
• Mekanisme Teknologi Dasar Big Data
• Penyimpanan Data Big Data dan Mesin Pemrosesan (Processing Engines)
• Resource Manager, Data Transfer Engine, dan Query Engine
• Analytics Engine, Workflow Engine, dan Coordination Engine

Modul 3 — Big Data Analysis & Technology Lab

Membahas penerapan praktis konsep Big Data melalui serangkaian studi kasus dan latihan berbasis skenario nyata. Peserta akan mengasah kemampuan dalam merancang lingkungan analitik, melakukan analisis data pelanggan, meningkatkan performa bisnis, serta membangun solusi berbasis data untuk berbagai kebutuhan seperti integrasi data, prediksi, dan pengelolaan risiko. Modul ini berfokus pada penggabungan teknik analisis dan teknologi Big Data untuk menyelesaikan permasalahan bisnis secara end-to-end.

Pokok Bahasan

• Latihan Membaca 3.1: Studi Kasus Latar Belakang PLGM
• Latihan Lab 3.2: Merencanakan Lingkungan Big Data BI
• Latihan Lab 3.3: Menganalisis Data Loyalitas Pelanggan
• Latihan Lab 3.4: Mengurangi Ketidakpuasan Pelanggan
• Latihan Lab 3.5: Meningkatkan Penjualan Online PLGM
• Latihan Membaca 3.6: Studi Kasus Latar Belakang LHL
• Latihan Lab 3.7: Merancang Lingkungan Integrasi Data dan Pelaporan
• Latihan Lab 3.8: Mengembangkan Kemampuan Personalisasi Perawatan
• Latihan Lab 3.9: Meningkatkan Kemampuan Riset LHL
• Latihan Membaca 3.10: Studi Kasus Latar Belakang SWP
• Latihan Lab 3.11: Analisis Data Smart Meter
• Latihan Lab 3.12: Meningkatkan Kemampuan Prediksi Permintaan Listrik
• Latihan Lab 3.13: Manajemen Aset dan Identifikasi Risiko

Modul 1 — Fundamental Big Data Science & Analytics

Membahas konsep dasar Big Data dan Data Analytics dari perspektif bisnis maupun teknologi. Peserta akan mempelajari karakteristik dan jenis data, proses analisis data, konsep machine learning, berbagai pendekatan analytics, serta peran Business Intelligence dan visualisasi data dalam menghasilkan wawasan yang mendukung pengambilan keputusan. Modul ini juga mengulas manfaat, tantangan, dan pertimbangan penting dalam adopsi Big Data di organisasi.

Pokok Bahasan

• Memahami Big Data
• Terminologi dan Konsep Dasar Big Data
• Pendorong Bisnis Big Data dan Pendorong Teknologi
• Teknologi Enterprise Tradisional yang Berkaitan dengan Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Konteks Big Data
• Karakteristik Data dalam Lingkungan Big Data
• Jenis Dataset dalam Lingkungan Big Data
• Data Terstruktur, Tidak Terstruktur, dan Semi-Terstruktur
• Metadata dan Keakuratan Data (Data Veracity)
• Analisis Dasar dan Analitik
• Analisis Kuantitatif dan Kualitatif
• Jenis-jenis Machine Learning
• Analitik Deskriptif dan Diagnostik
• Analitik Prediktif dan Preskriptif
• Business Intelligence dan Big Data
• Visualisasi Data dan Big Data
• Adopsi Big Data dan Pertimbangan Perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas konsep dan teknik analisis data modern dalam lingkungan Big Data, termasuk metode statistik, machine learning dasar, serta pendekatan analitik seperti A/B testing, regresi, clustering, dan time series analysis. Peserta juga akan mempelajari analisis data lanjutan seperti sentiment analysis, network analysis, serta filtering techniques, disertai pemahaman konsep teknologi backend yang mendukung ekosistem Big Data seperti storage, processing engine, dan cloud computing.

Pokok Bahasan

• Siklus Hidup Analisis Big Data (dari evaluasi kasus bisnis hingga analisis dan visualisasi data)
• A/B Testing dan Korelasi
• Regresi dan Heat Map (Peta Panas)
• Analisis Deret Waktu (Time Series Analysis)
• Analisis Jaringan dan Analisis Data Spasial
• Klasifikasi dan Clustering
• Filtering, termasuk Collaborative Filtering dan Content-Based Filtering
• Analisis Sentimen dan Text Analytics
• Cluster serta Pemrosesan Beban Kerja Batch dan Transaksional
• Hubungan Cloud Computing dengan Big Data
• Mekanisme Teknologi Dasar Big Data
• Penyimpanan Data Big Data dan Mesin Pemrosesan (Processing Engines)
• Resource Manager, Data Transfer Engine, dan Query Engine
• Analytics Engine, Workflow Engine, dan Coordination Engine

Modul 4 — Big Data Analysis & Science

Modul ini membahas konsep analitik dan data science dalam konteks Big Data, dengan fokus pada teknik eksplorasi, statistik, dan pemodelan data untuk dataset berukuran besar, beragam, dan dinamis.

Pokok Bahasan

• Ilmu Data, Data Mining, dan Pemodelan Data
• Kategori Dataset Big Data
• Dataset dengan Volume Tinggi, Kecepatan Tinggi, Variasi Tinggi, Verifikasi Tinggi, dan Nilai Tinggi
• Analisis Data Eksploratif (EDA)
• Ringkasan Numerik EDA, Aturan, dan Reduksi Data
• Jenis Analisis EDA, termasuk Univariate, Bivariate, dan Multivariate
• Statistik Dasar, termasuk Kategori Variabel dan Matematika Terkait
• Analisis Statistik, termasuk Deskriptif, Inferensial, Kovarians, Uji Hipotesis, dll.
• Ukuran Variasi atau Dispersi, Rentang Interkuartil & Outlier, Z-Score, dll.
• Probabilitas, Frekuensi, Estimator Statistik, Interval Kepercayaan, dll.
• Data Munging dan Machine Learning
• Variabel dan Notasi Matematika Dasar
• Ukuran Statistik dan Inferensi Statistik
• Analisis Data Konfirmatori (CDA)
• Uji Hipotesis CDA, Hipotesis Nol, Hipotesis Alternatif, Signifikansi Statistik, dll.
• Distribusi dan Teknik Pemrosesan Data
• Discretization Data, Binning, dan Clustering
• Teknik Visualisasi, termasuk Diagram Batang, Diagram Garis, Histogram, Poligon Frekuensi, dll.
• Prediksi Regresi Linear, Mean Squared Error, dan Koefisien Determinasi R², dll.
• Clustering k-means, Distorsi Cluster, Nilai Fitur yang Hilang, dll.
• Ringkasan Numerik

Modul 5 — Advanced Big Data Analysis & Science

Modul ini membahas teknik analisis data lanjutan dalam konteks Big Data, mencakup pemodelan statistik, machine learning, pattern mining, serta evaluasi model untuk meningkatkan akurasi analisis dan prediksi pada dataset besar.

Pokok Bahasan

• Pemodelan, Evaluasi Model, Fitting Model, dan Overfitting Model
• Model statistik dan ukuran evaluasi model
• Cross-validation, bias-variance, confusion matrix, dan F-score
• Algoritma machine learning dan identifikasi pola
• Aturan asosiasi (association rules) dan algoritma Apriori
• Reduksi data, seleksi fitur (feature selection), dan pengurangan dimensi
• Ekstraksi fitur, diskretisasi data (binning dan clustering)
• Teknik statistik lanjutan
• Model parametrik vs non-parametrik, clustering vs non-clustering
• Metode berbasis jarak, supervised vs semi-supervised learning
• Regresi linear dan regresi logistik untuk Big Data
• Aturan klasifikasi untuk Big Data
• Regresi logistik, Naïve Bayes, smoothing Laplace, dll.
• Decision Tree untuk Big Data
• Pruning pohon, pemilihan fitur (feature splitting), algoritma One Rule (1R)
• Identifikasi pola dan aturan asosiasi (Association Rules), algoritma Apriori
• Analisis deret waktu (time series), tren, dan musiman (seasonality)
• K-Nearest Neighbor (kNN) dan K-means
• Analitik teks untuk Big Data
• Bag of Words, Term Frequency, Inverse Document Frequency (TF-IDF), Cosine Distance, dll.
• Deteksi outlier untuk Big Data
• Teknik statistik, berbasis jarak, supervised, dan semi-supervised learning

Modul 6 — Big Data Analysis & Science Lab

Modul ini berupa latihan berbasis studi kasus untuk menguji penerapan konsep Big Data Analysis & Science dalam konteks permasalahan nyata. Peserta diminta mengintegrasikan teknik statistik, analitik, dan machine learning untuk menghasilkan solusi berbasis data.

Pokok Bahasan

• Latihan Membaca 6.1: Studi Kasus TMC – Latar Belakang
• Latihan Praktikum 6.2: Analisis untuk Meningkatkan Kualitas Produk
• Latihan Praktikum 6.3: Analisis untuk Menurunkan Total Biaya Kepemilikan (Total Cost of Ownership)
• Latihan Membaca 6.4: Studi Kasus PLGM – Latar Belakang
• Latihan Praktikum 6.5: Analisis untuk Rencana Pemasaran dengan Hasil Tinggi (High-Yield Marketing Plan)
• Latihan Praktikum 6.6: Analisis Tata Letak Barang dan Data Kartu Kredit
• Latihan Membaca 6.7: Studi Kasus LHL – Latar Belakang
• Latihan Praktikum 6.8: Meningkatkan Kemampuan Diagnosis Pasien
• Latihan Membaca 6.9: Studi Kasus SWP – Latar Belakang
• Latihan Praktikum 6.10: Meningkatkan Manajemen Risiko dan Memahami Pola Permintaan

Modul 1 — Fundamental Big Data Science & Analytics

Membahas dasar Big Data dan Data Analytics, termasuk karakteristik data, machine learning, analytics, Business Intelligence, visualisasi data, serta adopsi Big Data di organisasi.

Pokok Bahasan

• Memahami Big Data
• Terminologi dan Konsep Dasar Big Data
• Pendorong Bisnis Big Data dan Pendorong Teknologi
• Teknologi Enterprise Tradisional yang Berkaitan dengan Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Konteks Big Data
• Karakteristik dan Jenis Dataset Big Data
• Data Terstruktur, Tidak Terstruktur, dan Semi-Terstruktur
• Metadata dan Data Veracity
• Analisis Dasar dan Analitik
• Analisis Kuantitatif dan Kualitatif
• Jenis-jenis Machine Learning
• Analitik Deskriptif, Diagnostik, Prediktif, dan Preskriptif
• Business Intelligence dan Visualisasi Data
• Adopsi Big Data dan Pertimbangan Perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas teknik analisis data modern dalam Big Data, termasuk statistik, machine learning, pendekatan analitik, serta teknologi backend dan cloud computing.

Pokok Bahasan:

• Siklus Hidup Analisis Big Data
• A/B Testing dan Korelasi
• Regresi dan Heat Map
• Time Series Analysis
• Analisis Jaringan dan Analisis Data Spasial
• Klasifikasi dan Clustering
• Collaborative Filtering dan Content-Based Filtering
• Analisis Sentimen dan Text Analytics
• Pemrosesan Beban Kerja Batch dan Transaksional
• Hubungan Cloud Computing dengan Big Data
• Mekanisme Teknologi Dasar Big Data
• Penyimpanan Data dan Processing Engines
• Resource Manager, Data Transfer Engine, dan Query Engine
• Analytics Engine, Workflow Engine, dan Coordination Engine

Modul 11 — Fundamental Big Data Engineering

Membahas dasar pengolahan dan penyimpanan Big Data, termasuk NoSQL, arsitektur penyimpanan data, dan pemrosesan terdistribusi menggunakan MapReduce.

Pokok Bahasan

• Teknik dan Tantangan Rekayasa Big Data
• Penyimpanan Big Data: Sharding, Replikasi, CAP Theorem, ACID, dan BASE
• Master-Slave dan Replikasi Peer-to-Peer
• Skalabilitas, Redundansi, dan Ketersediaan Data
• Penyimpanan Schema-less dan Penyimpanan Murah
• On-Disk Storage dan Sistem File Terdistribusi
• Pengantar NoSQL dan NewSQL
• Karakteristik dan Jenis Database NoSQL
• Mesin Pemrosesan Big Data
• Pemrosesan Data Terdistribusi dan Paralel
• Dukungan Multi-Beban Kerja dan Toleransi Kesalahan
• Pemrosesan Batch, Cluster, dan Real-Time
• MapReduce dan Komponennya
• Perancangan Algoritma MapReduce
• Paralelisme Tugas dan Paralelisme Data

Modul 12 — Advanced Big Data Engineering

Membahas teknik lanjutan Big Data seperti realtime processing, in-memory storage, Big Data pipeline, serta optimasi pemrosesan data menggunakan MapReduce dan BSP.

Pokok Bahasan:

• Mekanisme Rekayasa Big Data Lanjutan
• Mesin Serialisasi dan Kompresi
• Penyimpanan dan Database In-Memory
• Integrasi Read-Through, Read-Ahead, Write-Through, dan Write-Behind
• Polyglot Persistence
• Pemrosesan Big Data Real-Time
• Speed Consistency Volume (SCV)
• Event Stream Processing (ESP)
• Complex Event Processing (CEP)
• Prinsip SCV
• Pemrosesan Real-Time dan MapReduce
• Desain Algoritma MapReduce Lanjutan
• Bulk Synchronous Parallel (BSP)
• BSP vs. MapReduce
• Pemrosesan Data Graf menggunakan BSP
• Big Data Pipeline dan Tahapannya
• Extract-Load-Transform (ELT)
• Karakteristik dan Pertimbangan Desain Solusi Big Data

Modul 13 — Big Data Engineering Lab

Berisi studi kasus dan latihan praktis untuk menerapkan konsep Big Data Engineering dalam skenario bisnis dan teknis nyata.

Pokok Bahasan:

• Studi Kasus CFU
• Solusi Big Data untuk Kepatuhan Regulasi
• Peningkatan Kapabilitas Analisis Risiko
• Pengembangan Layanan Analitik Data
• Studi Kasus TCT
• Solusi Pengurangan Keterlambatan Layanan
• Solusi Pengurangan Biaya Operasional
• Studi Kasus TOB
• Penanganan Peningkatan Traffic Website
• Analisis Data Kampanye Iklan Pemasaran