Bangun API klasifikasi keluhan pelanggan Bahasa Indonesia dengan fine-tuning Transformer, Hugging Face, dan FastAPI.
Skill yang dibangun
Menyiapkan dan membersihkan dataset keluhan pelanggan Bahasa Indonesia untuk kebutuhan text classification.
Melakukan tokenization, fine-tuning model Transformer dengan Hugging Face, serta menyimpan dan memuat model hasil training.
Mengevaluasi performa model menggunakan metrik klasifikasi dan menganalisis kesalahan prediksi secara terarah.
Membangun REST API klasifikasi teks dengan FastAPI yang menerima keluhan dan mengembalikan kategori serta confidence score.
Python developer, data analyst, junior data scientist, dan machine learning engineer pemula yang telah memahami dasar Python, pengolahan data, serta konsep machine learning dan ingin membangun solusi NLP Bahasa Indonesia yang dapat digunakan dalam aplikasi nyata.
Project outcomes
Kamu akan membangun aplikasi klasifikasi keluhan pelanggan Bahasa Indonesia. Aplikasi ini menerima teks keluhan melalui endpoint FastAPI, menjalankan model Transformer yang sudah di-fine-tune, lalu mengembalikan kategori keluhan dan confidence score dalam format JSON. Proyek ini mencakup pipeline data, training model, evaluasi, penyimpanan artefak, dan serving API sehingga lebih dekat dengan alur kerja machine learning di dunia nyata.
Keluhan pelanggan sering datang dalam bentuk teks yang berantakan, singkat, dan penuh variasi bahasa. Di kursus ini, kamu akan membangun solusi NLP yang bisa mengelompokkan keluhan Bahasa Indonesia secara otomatis ke kategori yang relevan. Kita mulai dari menyiapkan dataset, memahami label, dan membuat baseline supaya kamu tahu apakah model benar-benar membaik.
Setelah fondasinya beres, kamu akan melakukan fine-tuning model Transformer menggunakan Hugging Face Transformers. Kita bedah proses tokenization, training, evaluasi, dan penyimpanan model secara bertahap. Kode dibuat runnable dan dipecah menjadi bagian kecil, jadi kamu bisa mengikuti prosesnya tanpa harus menebak-nebak apa yang terjadi.
Bagian akhirnya fokus ke dunia kerja: model yang sudah dilatih dibungkus menjadi REST API dengan FastAPI. Kamu akan menangani input teks, menghasilkan prediksi kategori dan confidence score, lalu menjalankan API secara lokal. Ada guided practice, independent practice, serta pembahasan bug yang sering muncul seperti label mapping yang tertukar dan preprocessing yang tidak konsisten. Intinya, kamu tidak cuma punya notebook, tapi juga prototype layanan NLP yang siap dikembangkan.
Bangun pipeline Python untuk menemukan aspek produk dan mengukur sentimen dari ulasan berbahasa Indonesia.
Bangun pipeline ekstraksi entitas dan relasi dari teks Bahasa Indonesia, lalu evaluasi hasilnya sebagai knowledge graph yang terukur.
Bangun alur Python untuk mengekstrak tabel dari PDF operasional, memvalidasi hasilnya, lalu menyimpannya sebagai CSV siap analisis.
Bangun pipeline synthetic data tabular yang dapat diuji dari sisi privasi, kualitas statistik, dan dampaknya terhadap performa model.