Belajar menjadi Machine Learning Engineer
Baca konsepnya, ubah parameternya di lab, lalu bawa hasilnya ke project yang bisa diuji.
Satu bacaan pilihan tentang ML, AI, atau eksperimen data.
Dipakai untuk belajar oleh ratusan pembaca di Indonesia.
Materi ditulis dan dikurasi oleh Tim Riset Independen MLIR.
Pilih cara belajar yang cocok
Baca satu konsep, lalu coba.
Pilih bacaan yang membantu kamu memahami langkah berikutnya.
Dasar AI20 Konsep AI Paling Penting yang Bisa Kita Pahami dalam 20 Menit
Pahami hubungan neural network, transformer, LLM, RAG, AI agent, dan diffusion model tanpa menghafal jargon.
Diperbarui 31 Jul 2026 · 12 menit baca
Dasar MLMachine Learning Adalah Pengertian, Cara Kerja, dan Contohnya12 menit baca
Reduksi DimensiApa Itu PCA? Reduksi Dimensi untuk Visualisasi Data11 menit baca
OptimasiGradient Descent dan Cara Model Belajar Menurunkan Error12 menit baca
EvaluasiApa Itu Confusion Matrix? Cara Membaca dan Menghitung12 menit bacaLihat model bekerja.
Beberapa contoh yang bisa dibuka, diuji, dan dipelajari.
Project · YOLOBlood Cell CounterMendeteksi dan menghitung sel darah dari citra mikroskop.
Aplikasi · Computer VisionCoba Penghitung Sel DarahUnggah citra dan jalankan model deteksi secara langsung.
Aplikasi · KlasifikasiDeteksi Risiko ObesitasGunakan model klasifikasi pada data kebiasaan dan kondisi tubuh.
Aplikasi · Remote SensingPemetaan NDVI HutanBandingkan band merah dan NIR untuk membaca kesehatan vegetasi.
Project · Reduksi DimensiPCA dan LDA untuk KlasifikasiPelajari proyeksi fitur sebelum model membedakan kelas data.
Ubah input. Amati hasilnya.
Setiap lab menunjukkan apa yang berubah ketika parameter dan data ikut berubah.
ML Workflow
Atur dataset, preprocessing, latih model, baca evaluasi, lalu pakai model untuk prediksi dalam satu alur.
Data → Model
Reduksi DimensiTerbuka
PCA
Pilih 2 atau 3 principal component lalu bandingkan proyeksi PCA 2D dan ruang 3D berdasarkan explained variance.
Z = XW
OptimasiTerbuka
Gradient Descent
Pilih titik awal, bandingkan learning rate, dan ikuti lintasan menuju local atau global minimum.
theta <- theta - alpha * grad L
EnsembleTerbuka
Random Forest
Bandingkan voting banyak pohon dan lihat boundary ensemble menjadi lebih stabil.
y = mode(h_1(x), ..., h_T(x))
Deep LearningTerbuka
Neural Network
Atur hidden layer, latih jaringan XOR, dan baca aktivasi setiap neuron pada arsitektur.
a = sigma(Wx + b)
Deep LearningTerbuka
CNN Convolution
Edit pixel input, pilih kernel, dan lihat feature map dihitung melalui operasi konvolusi.
Y[i,j] = sum_m sum_n X[i+m,j+n] K[m,n] + b
Deep LearningTerbuka
Transformer
Masukkan kalimat sendiri lalu baca Q, K, V, scaled dot-product, softmax, dan attention matrix.
Attention(Q,K,V) = softmax(QK^T / sqrt(d))V
Frequency DomainTerbuka
FFT Spectrum
Masukkan sinyal sendiri atau pilih contoh, lalu petakan waveform menjadi spektrum FFT hingga batas Nyquist.
X[k] = sum x[n] exp(-j 2 pi kn / N)