Bangun rekomendasi menu Python berdasarkan preferensi, alergi, dan anggaran dengan skor yang transparan.
Skill yang dibangun
Membaca dan memvalidasi data menu dari file CSV, termasuk menangani nilai kosong, format harga, dan kategori bahan.
Menyusun aturan penyaringan untuk alergi dan anggaran serta membedakan constraint wajib dari preferensi yang dapat diberi skor.
Mengimplementasikan fungsi rekomendasi Python yang menghasilkan skor, peringkat, dan alasan pemilihan secara konsisten.
Menguji hasil dengan beberapa skenario input, menelusuri penyebab rekomendasi yang keliru, dan mengenali batas penggunaan pendekatan berbasis aturan.
Pemula yang telah memiliki dasar Python seperti variabel, fungsi, list, dictionary, dan membaca file CSV, tetapi belum memahami cara mengubah data menjadi sistem rekomendasi. Cocok bagi mahasiswa, analis pemula, pengembang aplikasi sederhana, atau pelaku usaha kuliner yang ingin memahami pengolahan data, perancangan skor, dan penerapan AI yang transparan tanpa harus mempelajari matematika machine learning secara mendalam. Peserta tidak diwajibkan memiliki pengalaman dengan framework AI; kemampuan menggunakan terminal dan memasang pustaka Python dasar akan membantu.
Project outcomes
Peserta akan membangun aplikasi rekomendasi menu berbasis terminal. Aplikasi membaca katalog menu dari file CSV, menerima preferensi seperti kategori atau tingkat kepedasan, memeriksa alergi dan anggaran, lalu menampilkan beberapa menu dengan skor, alasan rekomendasi, serta informasi ketika tidak ada pilihan yang memenuhi constraint. Struktur program dibuat terpisah antara pembacaan data, validasi input, penyaringan, dan pemberian skor agar mudah diuji serta dikembangkan.
Memilih menu bukan sekadar mencari makanan dengan skor tertinggi. Sistem harus menyaring bahan yang berisiko bagi pengguna, menghormati anggaran, lalu menimbang preferensi tanpa menyamarkan alasan di balik hasilnya. Kursus ini mengajak kita membangun solusi tersebut dari data menu berbentuk CSV menggunakan Python dasar dan aturan yang dapat diperiksa.
Peserta akan menyusun model data, membersihkan input, memisahkan aturan wajib dari preferensi, serta merancang fungsi penilaian yang menjelaskan mengapa sebuah menu direkomendasikan. Setiap tahap disertai pemeriksaan terhadap asumsi, contoh kegagalan, dan pengujian sederhana agar hasil tidak hanya tampak masuk akal, tetapi juga dapat diverifikasi.
Di akhir kursus, peserta memiliki aplikasi rekomendasi berbasis terminal yang menerima preferensi pengguna, daftar alergi, dan anggaran, kemudian menampilkan menu yang aman secara aturan, sesuai kemampuan belanja, serta dilengkapi alasan dan skor. Pendekatan ini tidak menggantikan konsultasi medis dan tidak mengklaim memahami selera pengguna di luar data yang dimasukkan; batas tersebut justru menjadi bagian dari perancangan sistem yang bertanggung jawab.
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.