Roadmap belajar machine learning untuk developer bisa dibagi lima tahap: Python dan pengolahan data, matematika secukupnya, machine learning klasik dengan scikit-learn, deep learning, lalu spesialisasi seperti NLP, computer vision, atau aplikasi LLM. Dengan 8 sampai 10 jam per minggu, tahap 1 sampai 3 realistis dicapai dalam 4 sampai 6 bulan, dan kamu sudah bisa membangun model yang berguna untuk data nyata.
Tahap 1: Python dan Data (4 sampai 6 Minggu)
- Dasar Python: tipe data, fungsi, list comprehension, modul, virtual environment.
- NumPy untuk operasi array.
- pandas untuk membaca CSV atau Excel, membersihkan data, dan agregasi.
- Matplotlib atau seaborn untuk visualisasi.
- Jupyter Notebook atau Google Colab sebagai tempat bereksperimen.
import pandas as pd
df = pd.read_csv("penjualan.csv", parse_dates=["tanggal"])
df["bulan"] = df["tanggal"].dt.to_period("M")
print(df.groupby(["bulan", "produk"])["total"].sum().unstack().tail())Kalau SQL masih asing, pelajari juga dasarnya, karena sebagian besar data di perusahaan tersimpan di database. Mulai dari belajar database untuk pemula.
Tahap 2: Matematika Secukupnya (Berjalan Paralel)
| Topik | Yang perlu dipahami | Dipakai untuk |
|---|---|---|
| Statistik | Rata-rata, varians, distribusi, korelasi, uji hipotesis dasar | Memahami data dan mengevaluasi model |
| Aljabar linear | Vektor, matriks, perkalian matriks | Representasi data dan cara kerja neural network |
| Kalkulus | Turunan dan gradien secara konsep | Memahami gradient descent |
| Probabilitas | Peluang bersyarat, teorema Bayes | Klasifikasi dan interpretasi prediksi |
Untuk memulai, intuisi lebih penting daripada pembuktian. Pelajari konsep saat kamu membutuhkannya di tahap berikutnya.
Tahap 3: Machine Learning Klasik (6 sampai 8 Minggu)
- Supervised learning: regresi linear, regresi logistik, decision tree, random forest, gradient boosting.
- Unsupervised learning: clustering K-Means, reduksi dimensi.
- Proses kerja: pembagian data latih dan uji, cross-validation, feature engineering, mencegah data leakage.
- Metrik: akurasi, precision, recall, F1, MAE, RMSE, dan kapan memakai yang mana.
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)
model = RandomForestClassifier(n_estimators=300, random_state=42).fit(X_train, y_train)
print(classification_report(y_test, model.predict(X_test)))Tahap 4: Deep Learning (6 sampai 8 Minggu)
- Neural network dasar, fungsi aktivasi, backpropagation secara konsep.
- PyTorch sebagai framework utama yang banyak dipakai riset dan industri.
- CNN untuk gambar, transformer untuk teks.
- Transfer learning: memakai model yang sudah dilatih, lalu menyesuaikan dengan datamu. Hugging Face menyediakan banyak model, termasuk model bahasa Indonesia.
Google Colab dan Kaggle Notebooks menyediakan GPU gratis dengan batas pemakaian, cukup untuk belajar.
Tahap 5: Spesialisasi
- NLP: klasifikasi teks, analisis sentimen ulasan berbahasa Indonesia.
- Computer vision: deteksi objek, klasifikasi gambar produk.
- Aplikasi LLM: membangun sistem tanya jawab dokumen dengan RAG, evaluasi, dan agent.
- MLOps: menyajikan model sebagai API, misalnya dengan FastAPI, memantau, dan memperbarui model.
Proyek Portfolio Setelah Belajar Machine Learning
- Prediksi penjualan dari data toko nyata atau publik, lengkap dengan perbandingan terhadap baseline sederhana.
- Analisis sentimen ulasan aplikasi berbahasa Indonesia, dengan pembahasan kesalahan model.
- Model yang disajikan sebagai API dan dipakai di halaman web sederhana.
Tulis README yang menjelaskan masalah, data, pendekatan, hasil, dan keterbatasan. Cara menyajikannya ada di cara bikin portfolio developer.
Kesalahan yang Sering Terjadi
- Menunda praktik sampai matematika "selesai". Belajar sambil membangun jauh lebih efektif.
- Langsung ke deep learning tanpa dasar ML klasik, sehingga sulit menilai apakah model bagus atau hanya kebetulan.
- Data leakage: informasi dari data uji ikut terpakai saat melatih, sehingga skor terlihat bagus tapi gagal di data baru.
- Hanya mengerjakan dataset populer seperti Titanic dan Iris tanpa proyek dengan data yang berantakan.
Langkah Berikutnya
Kalau belum pernah coding sama sekali, mulai dari roadmap belajar coding dari nol. Kalau ingin mengerjakan topik ini sebagai tugas akhir, lihat panduan memilih topik skripsi IT.
