Bangun aplikasi Flutter yang membaca data sensor BLE dan mendeteksi potensi kerusakan mesin secara real-time dengan TensorFlow Lite.
Skill yang dibangun
Merancang alur data predictive maintenance dari BLE sensor sampai hasil prediksi di aplikasi Flutter.
Mengimplementasikan scanning, koneksi, subscription characteristic, parsing data, dan handling error pada BLE menggunakan package Flutter yang valid.
Mengintegrasikan model TensorFlow Lite ke Flutter untuk menjalankan inference machine learning secara on-device.
Melakukan preprocessing input, membaca output model, menampilkan status kondisi mesin, dan mengoptimalkan pipeline agar responsif.
Menerapkan state management sederhana untuk mengelola koneksi sensor, data stream, status inference, dan kondisi error.
Menganalisis common mistakes seperti permission BLE, format byte sensor, lifecycle subscription, dan ketidaksesuaian shape input model.
Membedakan peran model TensorFlow Lite di mobile dengan pendekatan TinyML pada perangkat embedded.
Menguji aplikasi dengan data sensor nyata maupun data simulasi, lalu mengevaluasi akurasi dan keterbatasan hasil prediksi.
Mobile developer tingkat lanjut, Flutter developer yang ingin mendalami integrasi BLE dan machine learning on-device, engineer IoT, developer aplikasi industri, serta praktisi yang sudah memahami Dart, Flutter, REST API dasar, dan konsep machine learning fundamental.
Project outcomes
Kamu akan membangun aplikasi Flutter predictive maintenance untuk memantau kondisi mesin dari data BLE sensor. Aplikasi ini melakukan scanning dan koneksi ke sensor, membaca data suhu atau getaran melalui characteristic, mengubah data mentah menjadi feature yang sesuai, lalu menjalankan model TensorFlow Lite langsung di perangkat. Hasilnya ditampilkan sebagai status seperti normal, perlu inspeksi, atau indikasi fault, lengkap dengan data sensor terakhir, status koneksi, dan penanganan error. Proyek ini bisa kamu jadikan portfolio karena mencakup mobile development, IoT, BLE, dan machine learning on-device dalam satu workflow yang realistis.
Kamu akan membangun aplikasi predictive maintenance yang membaca data getaran atau suhu dari BLE sensor, memprosesnya di perangkat, lalu menampilkan indikasi kondisi mesin secara real-time. Fokusnya bukan sekadar membuat UI, tapi memahami alur data dari sensor sampai hasil prediksi yang bisa dipakai operator industri.
Kita mulai dari fondasi yang paling penting: struktur data sensor, koneksi dan scanning BLE, permission di Android, serta pengelolaan stream data di Flutter. Setelah alurnya kebayang, kamu akan mengintegrasikan model machine learning menggunakan TensorFlow Lite dan memahami preprocessing, inference, serta interpretasi output model.
Bagian akhir menggabungkan semuanya menjadi pipeline on-device yang lebih responsif dan tetap bisa berjalan tanpa koneksi internet. Kamu juga akan membahas TinyML, batasan perangkat mobile dan embedded, strategi debugging, validasi hasil prediksi, serta pola arsitektur yang lebih siap dibawa ke proyek industri. Kode dibangun bertahap dengan guided practice, lalu ditutup independent practice supaya skill-nya benar-benar nempel.
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.