Cara Membangun Portfolio Proyek AI yang Dilirik Rekruter

Industri kecerdasan buatan berkembang jauh lebih cepat dibandingkan kurikulum kampus. Banyak lulusan baru memiliki nilai akademik cemerlang, namun kesulitan mendapatkan pekerjaan karena satu alasan klasik: mereka tidak memiliki bukti nyata bahwa mereka bisa membangun sesuatu. Di sinilah portfolio berperan. Rekruter di bidang AI tidak hanya melihat ijazah; mereka ingin melihat kode, arsitektur model, cara Anda menangani data kotor, dan bagaimana Anda menyelesaikan masalah nyata. Artikel ini akan memandu Anda membangun portfolio proyek AI yang tidak hanya menumpuk di GitHub, tetapi benar-benar dilirik oleh perekrut.

Pahami Apa yang Dicari Rekruter

Sebelum menulis satu baris kode pun, Anda perlu memahami sudut pandang perekrut. Ketika mereka membuka tautan GitHub atau portfolio Anda, ada tiga pertanyaan utama yang ingin dijawab:

1. Apakah kandidat ini bisa coding? Mereka ingin melihat kode yang bersih, terdokumentasi, dan terstruktur, bukan sekadar notebook berantakan hasil copy-paste.
2. Apakah kandidat ini memahami konsep AI? Mereka mencari pemahaman tentang pemilihan model, metrik evaluasi, dan penanganan overfitting atau underfitting.
3. Apakah kandidat ini bisa menyelesaikan masalah bisnis? Proyek yang hanya menggunakan dataset Iris atau Titanic sudah terlalu umum. Rekruter ingin melihat proyek yang menyelesaikan masalah spesifik, bahkan jika skalanya kecil.

Hindari jebakan “tutorial hell”. Membuat proyek yang persis sama dengan tutorial YouTube populer tidak akan membuat Anda menonjol. Anda perlu menambahkan “sentuhan” atau modifikasi yang menunjukkan pemikiran kritis Anda.

Langkah Praktis Membangun Portfolio yang Menonjol

Membangun portfolio bukan tentang kuantitas, melainkan kualitas dan narasi. Berikut adalah langkah-langkah praktis yang bisa Anda mulai hari ini.

1. Pilih Proyek yang Relevan dengan Target Karier

Jangan asal membuat proyek. Jika Anda ingin menjadi Computer Vision Engineer, buatlah proyek deteksi objek atau segmentasi gambar. Jika Anda tertarik pada Natural Language Processing (NLP), buatlah sistem analisis sentimen atau chatbot khusus untuk domain tertentu.

Contoh Nyata: Alih-alih membuat “Klasifikasi Gambar Kucing vs Anjing”, cobalah membuat “Sistem Deteksi Kerusakan Jalan Raya Berbasis Citra Drone”. Judul yang spesifik langsung menunjukkan bahwa Anda mampu mengidentifikasi masalah di dunia nyata.

2. Mulai dari Masalah, Bukan dari Algoritma

Banyak pemula terjebak ingin menggunakan model terbaru (misalnya Transformer) untuk semua hal. Padahal, rekruter lebih menghargai pemahaman tentang mengapa Anda memilih model tersebut.

Tips:

• Tentukan masalahnya terlebih dahulu (misalnya: “Bagaimana memprediksi churn pelanggan untuk perusahaan telekomunikasi?”).
• Lakukan eksplorasi data (EDA) yang mendalam. Tunjukkan bahwa Anda menemukan anomali atau pola menarik dalam data.
• Bandingkan setidaknya dua algoritma berbeda (misalnya Logistic Regression vs XGBoost) dan jelaskan mengapa Anda memilih salah satunya berdasarkan metrik yang relevan (bukan hanya akurasi, tapi mungkin Recall atau F1-Score jika data tidak seimbang).

3. Bangun Proyek End-to-End, Bukan Hanya Model

Ini adalah pembeda utama antara kandidat junior dan kandidat yang siap kerja. Rekruter tidak ingin melihat hanya file .ipynb yang berisi training model. Mereka ingin melihat bagaimana model itu digunakan.

Struktur Proyek End-to-End:

1. Pengumpulan Data: Jelaskan dari mana data berasal (API, scraping, database).
2. Pra-pemrosesan: Tunjukkan bagaimana Anda menangani missing values, outlier, dan encoding.
3. Pemodelan: Latih model dan lakukan hyperparameter tuning.
4. Deployment: Bungkus model Anda ke dalam API sederhana menggunakan FastAPI atau Flask.
5. Antarmuka: Buat antarmuka sederhana menggunakan Streamlit atau Gradio agar pengguna bisa berinteraksi dengan model Anda.

Dengan melakukan langkah ini, Anda menunjukkan bahwa Anda memahami siklus hidup pengembangan AI secara keseluruhan, bukan hanya bagian modeling-nya saja.

4. Tulis Dokumentasi yang Profesional

Kode yang bagus tanpa dokumentasi ibarat buku tanpa judul. Rekruter tidak punya waktu untuk membaca seluruh kode Anda baris per baris. Mereka akan membaca README.md Anda terlebih dahulu.

Apa yang harus ada di README:

• Judul dan Deskripsi Singkat: Apa proyek ini dan masalah apa yang diselesaikan.
• Demo: Tautan ke aplikasi yang bisa dicoba (misalnya di Hugging Face Spaces atau Streamlit Cloud).
• Cara Menjalankan: Instruksi langkah demi langkah untuk menjalankan proyek di komputer lokal.
• Hasil dan Metrik: Tampilkan grafik atau tabel yang menunjukkan performa model Anda.
• Teknologi yang Digunakan: Sebutkan library dan tools yang Anda pakai.

5. Gunakan Git Secara Disiplin

Portfolio AI yang baik harus menunjukkan bahwa Anda memahami version control. Hindari melakukan satu kali commit besar dengan pesan “update”. Lakukan commit secara bertahap dengan pesan yang jelas.

Contoh Praktik Baik:

• feat: add data preprocessing script
• fix: handle missing values in age column
• docs: update README with installation guide

Ini menunjukkan bahwa Anda bekerja secara terstruktur dan kolaboratif, dua hal yang sangat penting di lingkungan kerja tim.

Contoh Proyek yang Mencuri Perhatian

Untuk memberikan gambaran yang lebih konkret, berikut adalah beberapa ide proyek yang biasanya membuat rekruter berhenti dan membaca lebih lama:

1. Sistem Rekomendasi Konten: Misalnya, sistem yang merekomendasikan artikel berita berdasarkan riwayat bacaan pengguna. Gunakan teknik collaborative filtering atau content-based filtering.
2. Analisis Sentimen Media Sosial: Ambil data dari Twitter/X API (atau dataset publik), lakukan analisis sentimen terhadap suatu topik, dan visualisasikan hasilnya dalam dashboard interaktif.
3. Deteksi Anomali Transaksi Keuangan: Buat model yang bisa mendeteksi transaksi mencurigakan menggunakan teknik unsupervised learning seperti Isolation Forest.
4. Chatbot Domain Spesifik: Buat chatbot yang hanya menjawab pertanyaan seputar kesehatan mental atau hukum, dengan menggunakan teknik Retrieval-Augmented Generation (RAG).

Kunci dari semua contoh ini adalah adanya konteks. Proyek tersebut tidak berdiri sendiri; mereka menjawab kebutuhan spesifik.

Publikasikan dan Jaringan

Setelah proyek selesai, jangan hanya disimpan di laptop. Publikasikan di GitHub dan bagikan tautannya di LinkedIn. Tulis postingan singkat tentang apa yang Anda pelajari dari proyek tersebut. Bergabunglah dengan komunitas seperti Kaggle atau forum diskusi AI untuk mendapatkan umpan balik. Terkadang, peluang kerja datang dari orang yang melihat proyek Anda di media sosial, bukan dari lamaran formal.

Kesimpulan

Membangun portfolio proyek AI yang dilirik rekruter bukan tentang memiliki puluhan proyek, melainkan tentang memiliki beberapa proyek yang dikerjakan dengan benar dan didokumentasikan dengan baik. Fokuslah pada penyelesaian masalah nyata, bangun solusi end-to-end, dan tunjukkan proses berpikir Anda melalui dokumentasi yang rapi. Mulailah dari satu proyek kecil hari ini, selesaikan sampai bisa didemonstrasikan, dan jangan takut untuk terus memperbaikinya. Ingatlah bahwa portfolio adalah cerminan dari cara Anda bekerja; jadikan ia sebagai bukti nyata bahwa Anda adalah talenta AI yang siap berkontribusi.