Pada 6 Mei 2026, saya memulai perjalanan mengikuti bootcamp Data Science and Machine Learning di Purwadhika. Hampir enam bulan kemudian, pada 22 Oktober 2026, perjalanan pembelajaran ini mencapai tahap sidang final project.
![]() |
| Data Science dan Machine Learning |
Saya mengambil kelas Online Livestream After Hour, yang dilaksanakan secara daring pada malam hari. Pilihan ini memungkinkan saya tetap bekerja sebagai data analis sekaligus memperdalam kemampuan di bidang data science dan machine learning.
Menjalaninya tentu memiliki tantangan tersendiri. Setelah menyelesaikan pekerjaan pada siang hari, saya harus kembali menyiapkan energi dan konsentrasi untuk mengikuti kelas, mengerjakan latihan, serta menyelesaikan proyek. Ada malam ketika tubuh sudah lelah, sementara materi yang dipelajari masih membutuhkan perhatian penuh.
Capek dan lelah menjadi bagian yang wajar dalam proses ini. Namun, saya berusaha menjaga semangat dan konsisten hadir hingga akhir. Bagi saya, bootcamp ini sekaligus menjadi latihan mengatur waktu, menjaga komitmen, dan membangun kebiasaan belajar di tengah tanggung jawab pekerjaan.
Pembelajaran terbagi menjadi tiga modul utama: Programming Fundamental, Data Analysis, dan Machine Learning. Setiap modul dilengkapi evaluasi serta capstone project untuk menerapkan materi pada suatu permasalahan.
Pembelajaran dimulai pada 6 Mei 2026 dengan materi Introduction to Data Science, Computer & Programming. Pada sesi awal ini, mentor menjelaskan pengertian data science, ruang lingkup pekerjaannya, serta perannya dalam membantu organisasi memahami data dan mengambil keputusan.
Dari pengenalan tersebut, kami mulai masuk ke dasar pemrograman menggunakan Python. Materinya mencakup variabel, tipe data, input pengguna, dan conditional statements. Melalui percabangan seperti if, elif, dan else, saya belajar menerjemahkan suatu kondisi menjadi aturan yang dapat dijalankan oleh program.
Berikutnya, kami mempelajari looping statements atau perulangan. Konsep ini membantu menjalankan pekerjaan berulang secara otomatis. Sebagai contoh, for loop dapat digunakan untuk memeriksa setiap elemen data tanpa harus menuliskan instruksi yang sama berkali-kali. Ketika dikombinasikan dengan percabangan, program dapat memeriksa kondisi sekaligus menjalankan tindakan yang sesuai.
Kami juga mempelajari collection data types, seperti list, tuple, dictionary, dan set. Pada tahap ini, saya mulai memahami cara menyimpan sekumpulan data serta melakukan proses menambahkan, menampilkan, mengubah, dan menghapus data.
Materi selanjutnya adalah Python functions. Dengan fungsi, suatu proses dapat disusun menjadi bagian kode yang bisa digunakan kembali. Saya cukup memanggil fungsi tersebut ketika dibutuhkan, sehingga kode menjadi lebih terstruktur dan lebih mudah diperbaiki.
Setelah mengikuti pembelajaran dan evaluasi, saya membuat capstone project pertama berupa Kalkulator Panen Udang sederhana.
Saya memilih topik yang dekat dengan latar belakang dan pekerjaan saya di bidang akuakultur. Melalui proyek ini, konsep dasar Python mulai terasa lebih konkret karena digunakan untuk mengelola data panen dan membantu perhitungan usaha budidaya.
Proyek tersebut menjadi langkah awal saya dalam menghubungkan logika pemrograman dengan kebutuhan operasional yang saya pahami.
Baca selengkapnya: Aplikasi Python Sederhana: Kalkulator Panen Udang.
Modul kedua dimulai pada 20 Mei 2026 dengan pengenalan SQL. Pada tahap ini, pembelajaran berkembang dari membuat program menjadi mengambil, mengelola, dan menganalisis data.
SQL merupakan bahasa untuk berinteraksi dengan basis data relasional. Kami mempelajari penggunaannya melalui MySQL yang diinstal secara lokal, mulai dari membuat tabel, mengatur kolom, menambahkan dan memperbarui data, hingga menampilkan data sesuai kebutuhan.
Kami juga belajar melakukan agregasi, seperti menghitung jumlah observasi, menjumlahkan nilai, dan mencari rata-rata. Dengan JOIN, data dari beberapa tabel dapat dihubungkan berdasarkan kolom yang sesuai untuk membentuk dataset analisis.
Selain MySQL, kami diperkenalkan dengan Google BigQuery. Pengalaman ini membantu saya memahami pengolahan data di lingkungan cloud serta integrasinya dengan layanan lain, seperti Google Colab dan Looker Studio.
Setelah SQL, pembelajaran berlanjut ke Python for Data Analysis. Jika pada modul pertama Python digunakan untuk membangun dasar pemrograman, pada tahap ini penggunaannya lebih terarah pada pengolahan dan analisis data melalui notebook.
Kami menggunakan berbagai lingkungan kerja, seperti Jupyter Notebook, Google Colab, dan Visual Studio Code. Jupyter menjadi salah satu lingkungan yang sering saya gunakan karena memudahkan saya menjalankan kode secara bertahap sekaligus memeriksa hasilnya.
Kami mempelajari pandas untuk mengelola data berbentuk tabel, NumPy untuk operasi numerik, serta Matplotlib untuk visualisasi. Dari sini, saya mulai membangun alur kerja yang lebih terstruktur: membaca data, memeriksa isinya, membersihkan data, lalu mengolahnya untuk menjawab pertanyaan analisis.
Analisis data kemudian diperkuat melalui pembelajaran statistik. Kami membahas proses pengumpulan data, sampling, serta pemeriksaan kualitas data, termasuk missing value, ketidakkonsistenan kategori, outlier, dan anomali.
Saya semakin memahami bahwa kualitas analisis sangat dipengaruhi oleh kualitas data dan ketepatan metode yang digunakan. Angka yang terlihat menarik belum tentu cukup untuk mendukung suatu kesimpulan.
Dalam statistik deskriptif, kami belajar merangkum karakteristik data melalui ukuran pemusatan, penyebaran, dan visualisasi. Kami juga mempelajari kapan sebaiknya menggunakan bar chart, line chart, boxplot, atau grafik lainnya agar informasi mudah dipahami oleh audiens.
Pada statistik inferensial, kami mempelajari pengujian hipotesis serta asumsi yang perlu diperhatikan, seperti distribusi dan homogenitas varians. Beberapa metode yang dipelajari meliputi uji t, ANOVA, ANCOVA, Kruskal–Wallis, dan Chi-square.
Pembelajaran ini membantu saya membedakan antara perbedaan yang terlihat secara deskriptif dan perbedaan yang didukung oleh pengujian statistik. Saya juga belajar bahwa kesimpulan harus disesuaikan dengan desain penelitian dan karakteristik data yang tersedia.
Setelah mempelajari statistik, kami memperdalam visualisasi menggunakan Python. Kami belajar mengatur jenis grafik, warna, label, serta tata letak agar hasil analisis lebih jelas dan nyaman dibaca.
Materi kemudian berlanjut ke storytelling with data dan presentasi. Pada tahap ini, tantangannya adalah menyusun penjelasan yang membantu audiens memahami masalah, temuan, dan implikasinya.
Kami juga mempelajari pembuatan dashboard menggunakan Looker Studio dan Tableau. Dashboard menjadi sarana untuk menyajikan indikator dan hasil analisis agar lebih mudah dipantau serta dieksplorasi.
Materi penutup modul kedua adalah ETL, yaitu Extract, Transform, dan Load.
Kami belajar mengambil data dari sumbernya, membersihkan dan mengubahnya sesuai kebutuhan, lalu memuat hasilnya ke penyimpanan tujuan. Dalam praktik pembelajaran, Google Colab digunakan untuk membantu pengolahan data, sedangkan BigQuery menjadi tempat penyimpanan hasil pengolahan yang kemudian dapat digunakan untuk analisis dan dashboard.
Prinsip garbage in, garbage out menjadi pengingat penting. Jika data yang masuk tidak diperiksa dengan baik, hasil analisis juga berisiko menyesatkan.
Saya mulai melihat bahwa pekerjaan data analis mencakup proses yang panjang sebelum grafik dan kesimpulan dihasilkan. Menyiapkan data yang konsisten, relevan, dan dapat dipercaya merupakan bagian penting dari pekerjaan tersebut.
Setelah mengikuti evaluasi modul kedua, saya mengerjakan Revenue Leakage & Billing Control Tower Analysis.
Proyek ini menggunakan kasus fiktif dengan data simulasi sebagai latihan membangun alur analisis dari pemahaman masalah bisnis, proses ETL, hingga penyajian dashboard.
Melalui proyek ini, saya berlatih menghubungkan pengolahan data dengan kebutuhan pemantauan tagihan, tunggakan, dan potensi kebocoran pendapatan. Pengalaman tersebut memperlihatkan bagaimana keterampilan analisis dapat diterapkan pada konteks bisnis di luar bidang pekerjaan saya sehari-hari.
Baca selengkapnya: Dari ETL hingga Dashboard: Proses Analisis Revenue Leakage & Billing Control Tower.
Pembelajaran machine learning dimulai pada 13 Juli 2026. Kami diperkenalkan pada konsep dasar, jenis permasalahan yang dapat ditangani, serta alasan penggunaan machine learning.
Salah satu pelajaran yang paling saya ingat adalah pentingnya memilih pendekatan berdasarkan kebutuhan. Tidak semua masalah memerlukan machine learning. Dalam beberapa situasi, analisis deskriptif, pengujian statistik, atau aturan bisnis yang sederhana sudah dapat memberikan jawaban yang memadai.
Pemahaman ini membantu saya lebih berhati-hati dalam menentukan metode. Tujuan analisis dan kebutuhan pengguna perlu dipahami sebelum memilih algoritma.
Kami mempelajari dua kelompok utama machine learning, yaitu supervised learning dan unsupervised learning.
Pada supervised learning, model belajar dari data yang memiliki target. Target tersebut dapat berupa nilai numerik untuk regresi atau kategori untuk klasifikasi. Klasifikasi juga dapat melibatkan dua kelas maupun lebih dari dua kelas.
Sementara itu, unsupervised learning digunakan untuk mengeksplorasi pola atau struktur dalam data tanpa target berlabel.
Pada supervised learning, kami mempelajari berbagai algoritma, seperti Linear Regression, Logistic Regression, dan Random Forest. Setiap algoritma memiliki karakteristik dan keterbatasan yang perlu dipertimbangkan sesuai data serta tujuan penggunaannya.
Tahap berikutnya adalah data preparation dan feature engineering. Kami memeriksa kualitas data, melakukan Exploratory Data Analysis atau EDA, serta mengeksplorasi hubungan antarvariabel melalui boxplot, scatter plot, dan heatmap korelasi.
Kami juga belajar membuat fitur baru yang relevan dengan permasalahan. Proses ini menuntut pemahaman konteks, karena sebuah fitur perlu memiliki makna yang masuk akal bagi tujuan analisis.
Dalam pemodelan, kami mempelajari penggunaan pipeline untuk menyatukan preprocessing dan algoritma. Prosesnya dapat mencakup imputasi missing value, encoding fitur kategorikal, serta scaling pada fitur numerik sesuai kebutuhan model.
Hal penting dalam alur ini adalah memisahkan data latih dan data uji sebelum mempelajari parameter preprocessing. Dengan demikian, informasi dari data uji tidak ikut digunakan untuk melatih model dan menimbulkan data leakage.
Kami kemudian mempelajari generalization, overfitting, dan underfitting. Model perlu dievaluasi untuk mengetahui kemampuannya mempelajari pola yang dapat digunakan pada data baru.
Performa pada data latih perlu dibandingkan dengan hasil validasi. Pemilihan model dan hyperparameter tuning dilakukan menggunakan data latih serta proses validasi, sedangkan data uji digunakan untuk menilai performa akhir setelah keputusan pemodelan ditetapkan.
Melalui proses ini, saya memahami bahwa pemilihan model memerlukan evaluasi yang terukur. Model yang lebih kompleks belum tentu memberikan hasil yang lebih sesuai dengan kebutuhan.
Materi Machine Learning for Business memperluas cara saya menilai suatu model. Evaluasi mencakup dampak operasional dan biaya dari keputusan yang dihasilkan.
Setiap kesalahan prediksi dapat memiliki konsekuensi yang berbeda. Karena itu, pemilihan metrik perlu mempertimbangkan tujuan bisnis, biaya kesalahan, serta kapasitas tim yang akan menggunakan hasil prediksi.
Kami juga membandingkan skenario penggunaan model dengan skenario tanpa model. Dari sini, saya belajar menerjemahkan performa teknis menjadi pertimbangan bisnis yang lebih konkret, termasuk potensi penghematan biaya dan pemanfaatan sumber daya.
Pada bagian akhir, kami mempelajari alur machine learning secara menyeluruh dan menerapkan model melalui Streamlit.
Tahap ini memperlihatkan bagaimana hasil pemodelan dapat disajikan melalui aplikasi yang lebih mudah digunakan. Pengguna dapat memasukkan data dan melihat hasil prediksi tanpa harus menjalankan kode secara langsung.
Bagi saya, deployment menjadi penghubung antara pekerjaan analisis dan penggunaan model dalam suatu alur kerja.
Setelah mengikuti evaluasi modul ketiga, termasuk ujian Perceptual Logic, saya mengerjakan capstone project Bank Marketing Campaign.
Proyek ini berfokus pada prediksi nasabah yang berpotensi membuka deposito untuk membantu penyusunan prioritas campaign. Saya menerapkan tahapan pembelajaran mulai dari memahami masalah bisnis, menyiapkan data, membangun dan mengevaluasi model, hingga menyajikannya melalui aplikasi.
Proyek ini juga melatih saya mempertimbangkan dampak false positive dan false negative terhadap biaya campaign serta peluang nasabah potensial yang terlewat.
Baca selengkapnya: Prediksi Nasabah Potensial Deposito dengan Machine Learning.
![]() |
| Perjalanan Bootcamp |
Setelah menyelesaikan tiga modul beserta evaluasinya, kami mengikuti proses seleksi untuk masuk ke tahap final project. Peserta kemudian dibagi menjadi tiga tim: Alpha, Beta, dan Gamma.
Saya bergabung dalam Tim Alpha bersama Rifdah Octavi Azzahra dan Dzakwan Taufiq Nur Muhammad. Kami mengangkat topik Seller Churn pada marketplace Olist untuk membantu mengidentifikasi seller berisiko dan mendukung penentuan prioritas campaign retensi.
Keberlanjutan aktivitas seller merupakan bagian penting dalam bisnis marketplace. Berkurangnya seller aktif dapat memengaruhi variasi produk, volume transaksi, dan potensi pendapatan platform. Konteks tersebut menjadi dasar bagi kami dalam merumuskan tujuan proyek.
Selama pengerjaan, kami berkoordinasi dua kali dalam seminggu dan menjalani empat sesi konsultasi bersama mentor, masing-masing satu kali setiap minggu. Diskusi tersebut menjadi kesempatan untuk meninjau perkembangan, mengevaluasi pendekatan, dan memperbaiki bagian yang masih perlu diperkuat.
Final project menjadi tempat kami menggabungkan pembelajaran dari ketiga modul: memahami permasalahan bisnis, mengolah data, melakukan analisis, membangun model, serta menyampaikan hasil dan rekomendasi.
Pengerjaan secara tim juga memberikan pengalaman dalam membagi tanggung jawab, menyelaraskan pemahaman, dan menjelaskan alasan di balik setiap keputusan analisis.
Pada 22 Oktober 2026, kami mengikuti sidang final project sebagai tahapan akhir dari rangkaian pembelajaran bootcamp ini.
Baca selengkapnya: Dari Data Menjadi Solusi Bisnis: Proyek Olist Seller Churn.
Sebagai seorang magister perikanan yang bekerja sebagai data analis, mendalami data science memberikan tantangan tersendiri. Saya perlu memperkuat kemampuan pemrograman, statistik, dan pemodelan, sekaligus membiasakan diri dengan cara kerja serta perangkat yang baru.
Namun, latar belakang perikanan juga memberikan bekal yang berharga. Pengalaman di bidang akuakultur membantu saya memahami konteks data, kebutuhan operasional, dan pertanyaan yang relevan bagi pengguna hasil analisis.
Selama bootcamp, saya semakin memahami pentingnya domain knowledge atau pengetahuan bidang. Kemampuan teknis perlu berjalan bersama pemahaman terhadap proses bisnis agar analisis dan model yang dibuat dapat digunakan secara tepat.
Perjalanan dari kelas pertama pada 6 Mei hingga sidang final project pada 22 Oktober 2026 menjadi pengalaman belajar yang berarti bagi saya. Ada materi yang harus dipelajari berulang kali, kode yang perlu diperbaiki, serta waktu istirahat yang harus diatur kembali agar pekerjaan dan pembelajaran tetap berjalan.
Menyelesaikan bootcamp ini memberi saya fondasi untuk terus berkembang. Saya ingin membawa pembelajaran tersebut ke pekerjaan sehari-hari dan mengembangkan penerapan data science dalam akuakultur—mulai dari meningkatkan kualitas data, mengevaluasi performa budidaya, hingga membangun alat bantu keputusan yang sesuai dengan kebutuhan di lapangan.
Belajar Python akan terasa lebih menarik jika langsung diterapkan pada studi kasus nyata. Salah satu contoh sederhana yang saya buat adalah Aplikasi Python: Kalkulator Panen Udang.
Aplikasi ini dibuat sebagai latihan dasar Python dengan pendekatan studi kasus panen udang. Walaupun masih berbasis terminal atau command line, aplikasi ini sudah mencakup beberapa konsep penting dalam pemrograman, seperti penggunaan dictionary, function, perulangan, percabangan, input user, serta proses CRUD sederhana.
![]() |
| Aplikasi Python Sederhana: Kalkulator Panen Udang |
Dalam kegiatan budidaya udang, data panen menjadi salah satu informasi penting untuk mengevaluasi hasil produksi. Beberapa data yang umum dicatat antara lain umur panen atau DOC, size udang, biomass panen, harga jual, biaya produksi, hingga keuntungan atau kerugian.
Dari kebutuhan sederhana tersebut, saya mencoba membuat aplikasi kalkulator panen menggunakan Python. Tujuannya bukan untuk membuat sistem yang kompleks, tetapi sebagai latihan bagaimana Python dapat digunakan untuk membantu perhitungan sederhana berbasis data.
Aplikasi Kalkulator Panen Udang ini memiliki beberapa fitur utama, yaitu:
Dari project sederhana ini, ada beberapa konsep dasar Python yang bisa dipelajari, antara lain:
Data panen disimpan dalam bentuk dictionary. Setiap panen memiliki beberapa informasi seperti DOC, Size, Biomass, dan Harga.
dataPanen = {
"Panen1": {"DOC": 60, "Size": 93, "Biomass": 200, "Harga": 72500},
"Panen2": {"DOC": 70, "Size": 77, "Biomass": 200, "Harga": 90000},
"Panen3": {"DOC": 80, "Size": 68, "Biomass": 200, "Harga": 100000},
"Panen4": {"DOC": 90, "Size": 61, "Biomass": 200, "Harga": 110000}
}
Dengan struktur seperti ini, data lebih mudah diakses dan diproses menggunakan fungsi Python.
Aplikasi ini menggunakan menu utama agar user dapat memilih fitur yang ingin dijalankan.
============== APLIKASI PANEN UDANG ==============
1. Report Data Panen
2. Menambah Data Panen
3. Mengubah Data Panen
4. Menghapus Data Panen
5. Menghitung Keuntungan Panen
6. Exit Program
Menu tersebut dibuat agar aplikasi lebih mudah digunakan. User cukup memilih angka sesuai menu yang ingin dijalankan.
Salah satu bagian penting dari aplikasi ini adalah perhitungan keuntungan panen. Beberapa komponen yang dihitung antara lain:
Rumus sederhana yang digunakan:
profitLoss = totalIncome - totalCost
roi = (profitLoss / totalCost) * 100
Dari rumus tersebut, aplikasi dapat memberikan informasi apakah panen berada dalam kondisi untung, rugi, atau impas.
Menurut saya, project ini menarik karena menghubungkan pembelajaran Python dengan studi kasus yang dekat dengan dunia aquaculture. Belajar coding tidak harus selalu menggunakan contoh yang terlalu umum. Justru dengan studi kasus yang dekat dengan pekerjaan atau kebutuhan sehari-hari, proses belajar menjadi lebih mudah dipahami.
Project ini juga menunjukkan bahwa aplikasi sederhana bisa menjadi langkah awal untuk pengembangan yang lebih kompleks. Ke depan, konsep seperti ini bisa dikembangkan menjadi aplikasi berbasis web menggunakan Streamlit, ditambahkan grafik, export data ke Excel, atau bahkan dikombinasikan dengan analisis data.
Beberapa ide pengembangan yang bisa dilakukan dari aplikasi ini antara lain:
Script lengkap aplikasi ini dapat dilihat melalui repository GitHub berikut:
https://github.com/ashamzah/Kalkulator-Panen-Udang
Project Kalkulator Panen Udang ini merupakan contoh sederhana bagaimana Python dapat digunakan untuk membantu perhitungan berbasis data. Meskipun aplikasinya masih sederhana, konsep yang dipelajari cukup penting sebagai dasar untuk membuat aplikasi yang lebih besar.
Bagi saya, belajar Python paling efektif adalah dengan membuat project kecil yang dekat dengan kebutuhan nyata. Dari project seperti ini, kita tidak hanya belajar syntax, tetapi juga belajar bagaimana menyusun logika program untuk menyelesaikan masalah.
Semoga artikel ini bermanfaat bagi teman-teman yang sedang belajar Python, khususnya yang tertarik dengan data, aquaculture, dan aplikasi sederhana berbasis studi kasus nyata.
Tag: Python, Belajar Python, Aplikasi Python, Kalkulator Panen Udang, Budidaya Udang, Aquaculture, Data Analysis, Python Pemula
Budidaya udang saat ini semakin kompleks. Banyak faktor yang harus dipertimbangkan secara bersamaan, mulai dari pertumbuhan harian, kondisi biomassa, efisiensi pakan, hingga waktu panen yang paling optimal. Di lapangan, sebagian besar keputusan masih bergantung pada pengalaman, padahal kondisi tambak sangat dinamis dan sulit diprediksi hanya dengan intuisi.
Dari permasalahan tersebut, saya mengembangkan sebuah sistem berbasis machine learning dan simulasi biologis yang saya sebut Shrimp Decision System. Sistem ini dirancang untuk membantu proses pengambilan keputusan dalam budidaya udang agar lebih terukur, berbasis data, dan dapat disimulasikan secara real-time.
![]() |
| Shrimplitics Apps |
Di dalamnya, sistem ini memodelkan pertumbuhan udang menggunakan pendekatan prediktif terhadap MBW (Mean Body Weight) dan ADG (Average Daily Gain). Setiap perubahan input seperti umur budidaya, berat awal, hingga karakter strain udang akan mempengaruhi hasil simulasi pertumbuhan yang ditampilkan secara dinamis dalam bentuk kurva. Dengan begitu, pengguna dapat melihat bagaimana skenario budidaya berkembang dari waktu ke waktu.
Selain aspek pertumbuhan, sistem ini juga dilengkapi dengan simulasi parsial panen. Fitur ini memungkinkan pengguna untuk membagi proses panen ke dalam beberapa tahap, menghitung biomassa dan populasi yang diambil di setiap tahap, serta mengontrol sisa populasi secara otomatis. Pendekatan ini membantu dalam merencanakan strategi panen yang lebih fleksibel sesuai kondisi lapangan.
Tidak hanya berhenti pada aspek biologis, Shrimp Decision System juga mengintegrasikan analisis ekonomi secara langsung. Sistem ini menghitung total biaya produksi, termasuk pakan, benur, dan biaya operasional, kemudian membandingkannya dengan total pendapatan dari hasil panen. Dari situ, sistem dapat memberikan gambaran mengenai profit, ROI, serta revenue per kilogram biomassa secara otomatis.
Untuk memperkuat pengambilan keputusan, sistem ini juga terhubung dengan model AI yang memberikan rekomendasi apakah kondisi tambak sudah layak panen atau masih perlu dilanjutkan. Rekomendasi ini mempertimbangkan berbagai variabel seperti ukuran udang, FCR, survival rate, hingga tingkat keuntungan yang dihasilkan.
Secara teknis, sistem ini dibangun menggunakan Python dengan Streamlit sebagai antarmuka utama. Model machine learning digunakan untuk memprediksi pertumbuhan, sementara Plotly digunakan untuk visualisasi data secara interaktif. Selain itu, integrasi dengan AI generatif seperti Gemini memberikan lapisan analisis tambahan yang bersifat kontekstual dan adaptif terhadap kondisi budidaya.
Tujuan utama dari pengembangan sistem ini adalah untuk mendorong transformasi digital dalam industri akuakultur, khususnya budidaya udang. Harapannya, keputusan di tambak tidak lagi hanya bergantung pada perkiraan, tetapi dapat didukung oleh data, model prediktif, dan simulasi yang lebih akurat.
Ke depan, sistem ini masih akan terus dikembangkan agar dapat terhubung dengan data real-time dari tambak, memperluas kemampuan prediksi, serta memberikan rekomendasi yang semakin presisi. Dengan pendekatan ini, budidaya udang diharapkan dapat menjadi lebih efisien, terukur, dan berkelanjutan.
Dalam industri budidaya perikanan, keputusan sering kali harus diambil dengan cepat. Kondisi air dapat berubah dalam hitungan jam, pertumbuhan organisme budidaya bisa melambat tanpa disadari, dan efisiensi pakan dapat berdampak langsung terhadap profitabilitas.
Namun dalam banyak kasus, data operasional tambak masih tersebar dalam berbagai laporan manual, spreadsheet, atau catatan harian. Hal ini membuat proses analisis menjadi lambat dan sulit mendapatkan gambaran menyeluruh mengenai performa budidaya.
Sebagai seorang Data Analyst, saya mencoba menjawab tantangan tersebut dengan membangun sebuah Dashboard Monitoring Budidaya menggunakan Tableau. Tujuan dari dashboard ini adalah menyatukan berbagai indikator penting budidaya dalam satu tampilan visual yang mudah dipahami dan dapat digunakan untuk pengambilan keputusan berbasis data.
![]() |
| Tableau : Dashboard Budidaya |
Sebelum membuat dashboard, langkah pertama adalah memahami kebutuhan analisis dari sisi operasional budidaya. Beberapa pertanyaan utama yang ingin dijawab antara lain:
Dengan menjawab pertanyaan-pertanyaan tersebut, dashboard dapat dirancang tidak hanya sebagai tampilan visual data, tetapi juga sebagai alat analisis yang membantu proses pengambilan keputusan.
Dashboard ini terdiri dari beberapa bagian utama yang saling melengkapi.
Bagian ini memberikan gambaran umum mengenai kondisi operasional setiap customer atau lokasi budidaya, seperti jumlah kolam, fase benur saat tebar, serta jumlah stocking. Informasi ini membantu memahami skala produksi dari masing-masing lokasi.
Pada panel ini, saya memvisualisasikan perkembangan Average Body Weight (ABW) sepanjang siklus budidaya berdasarkan DOC (Day of Culture).
Grafik ini juga dilengkapi trend line untuk membantu melihat pola pertumbuhan apakah sesuai dengan target atau tidak. Selain itu, indikator PDG (Period Daily Growth) memberikan gambaran kecepatan pertumbuhan harian organisme budidaya.
Dengan visualisasi ini, pengguna dapat dengan cepat mendeteksi jika terjadi perlambatan pertumbuhan yang mungkin disebabkan oleh manajemen pakan atau kondisi lingkungan.
Kualitas air merupakan faktor kritis dalam keberhasilan budidaya. Oleh karena itu dashboard ini juga memonitor beberapa parameter penting seperti:
Melalui visualisasi tren parameter kualitas air, operator tambak dapat melihat perubahan kondisi lingkungan secara cepat dan mengambil tindakan sebelum berdampak pada kesehatan organisme budidaya.
Bagian terakhir menampilkan performa produksi berdasarkan beberapa indikator utama seperti:
Analisis ini membantu mengevaluasi efisiensi produksi serta membandingkan performa antar customer atau lokasi budidaya.
Dengan mengintegrasikan berbagai indikator budidaya dalam satu dashboard interaktif, pengguna dapat:
Bagi saya sebagai seorang Data Analyst, proyek ini menunjukkan bagaimana data yang awalnya berupa angka dan tabel dapat diubah menjadi insight yang bermakna melalui visualisasi data. Dashboard bukan hanya sekadar grafik, tetapi sebuah alat yang membantu organisasi memahami kondisi operasional mereka dengan lebih baik.
Melalui proyek ini, saya belajar bahwa kekuatan utama dari data analytics bukan hanya pada teknik analisisnya, tetapi pada bagaimana data dapat diterjemahkan menjadi informasi yang mudah dipahami oleh pengguna bisnis.
Dengan pendekatan visualisasi menggunakan Tableau, dashboard ini diharapkan dapat membantu meningkatkan efisiensi operasional serta mendukung pengambilan keputusan yang lebih cepat dan tepat dalam kegiatan budidaya.
Machine Learning menjadi salah satu topik yang paling banyak dibahas saat ini. Perkembangannya didorong oleh kemajuan teknologi dan arus digitalisasi yang sangat masif, terutama dalam bidang Artificial Intelligence (AI).
Dalam ekosistem AI, Machine Learning berperan penting sebagai komponen yang memungkinkan sistem untuk belajar dari data. Secara umum, proses pembelajaran ini terbagi menjadi tiga kategori utama: supervised learning, unsupervised learning, dan reinforcement learning.
Penerapan Machine Learning kini telah merambah berbagai sektor untuk meningkatkan efisiensi dan produktivitas. Industri besar, misalnya, banyak memanfaatkan supervised learning untuk menganalisis segmentasi pasar, memprediksi penjualan, mengoptimalkan rantai pasok, dan berbagai kebutuhan strategis lainnya.
Dalam dunia akuakultur, penerapan Machine Learning berkembang sangat cepat. Beragam studi dan industri mulai memanfaatkannya untuk meningkatkan performa budidaya, antara lain:
Semua aplikasi tersebut memiliki satu fondasi utama yaitu data.
Data yang digunakan dalam Machine Learning harus valid, lengkap, dan sesuai format. Kualitas data menentukan kualitas model yang dihasilkan. Prinsip dasarnya sederhana:
Karena itu, proses pengumpulan, pembersihan, dan verifikasi data menjadi tahapan yang tidak bisa diabaikan dalam setiap analisis Machine Learning—terlebih dalam akuakultur yang sangat dipengaruhi dinamika lingkungan.
Dalam proses data collection akuakultur, keberadaan data NaN (Not a Number) atau data kosong merupakan masalah yang sangat sering dijumpai.
Ketidakhadiran data ini dapat mengganggu proses analisis statistik maupun model Machine Learning yang membutuhkan data lengkap dan konsisten. Karena itu, langkah penting yang harus dilakukan sebelum analisis lanjut adalah data imputasi.
Data imputasi adalah proses mengisi nilai yang hilang (missing values) menggunakan estimasi yang didasarkan pada pola atau tren dari data lain yang tersedia.
Tujuannya adalah menjaga integritas dataset sehingga analisis dapat berjalan tanpa bias yang disebabkan oleh kekosongan data.
Ada beberapa metode imputasi yang sering digunakan, di antaranya:
Metode yang dipilih biasanya bergantung pada karakteristik data dan tujuan analisis.
![]() |
| Data Imputasi |
Dalam kasus ini, saya menggunakan JupyterLab (Python) untuk melakukan proses imputasi dengan metode SimpleImputer strategy="mean".
Nilai-nilai yang hilang kemudian diestimasi sehingga menjadi bernilai 0, namun tetap mempertahankan distribusi dan pola umum dataset.
Dengan demikian, hasil akhir dataset menjadi lebih realistis, bersih, dan siap dipakai tanpa mengganggu pola atau tren sebelumnya.
Proses ini penting untuk memastikan bahwa model Machine Learning yang digunakan nantinya mendapatkan input yang valid dan representatif, sehingga hasil prediksi lebih akurat dan dapat diandalkan.
Akuakultur adalah sistem yang kompleks dan dipengaruhi oleh berbagai faktor, mulai dari kualitas air, kondisi mikrobiologi (termasuk bakteri dan virus), hingga faktor genetik.
Keragaman faktor ini seringkali membuat kita kesulitan menentukan variabel mana yang paling berpengaruh terhadap performa budidaya.
Untuk menjawab tantangan tersebut, konsep Feature Importance menjadi sangat penting. Feature Importance merupakan salah satu output dari algoritma Machine Learning yang membantu mengukur tingkat pengaruh setiap variabel terhadap hasil prediksi model.
Pada algoritma Random Forest, Feature Importance umumnya dihitung menggunakan dua pendekatan utama:
Gini Importance (Mean Decrease in Impurity – MDI)
Metode ini mengukur seberapa besar penurunan impurity (ketidakmurnian) saat sebuah fitur digunakan untuk melakukan split pada decision tree.
Semakin sering dan semakin besar pengurangan impurity yang dihasilkan oleh suatu fitur, semakin tinggi nilai importance-nya.
Sederhananya: Fitur yang banyak membantu model membuat keputusan dengan “lebih bersih” dianggap lebih penting.
Permutation Importance
Pada metode ini, nilai suatu fitur diacak (shuffled) tanpa mengubah fitur lainnya. Model kemudian dijalankan ulang untuk melihat penurunan performa (misalnya akurasi atau R²).
Jika performa model turun drastis, maka fitur tersebut sangat penting. Jika performa tetap stabil, fitur tersebut kurang berpengaruh.
Metode ini dianggap lebih intuitif karena mengevaluasi pentingnya fitur berdasarkan dampaknya terhadap prediksi akhir.
![]() |
| Feature Importance (Aplikasi Random Forest) |
Dalam analisis ini, saya menggunakan JupyterLab (Python) untuk menghitung Feature Importance menggunakan algoritma Random Forest.
Hasilnya kemudian divisualisasikan dalam bentuk grafik sehingga lebih mudah dipahami.
Pada grafik tersebut, semakin tinggi nilai Importance (%), semakin besar pengaruh variabel tersebut terhadap performa akuakultur.
Visualisasi ini membantu menentukan variabel mana yang perlu diprioritaskan dalam manajemen budidaya.
Analisis Risk Zone bertujuan untuk mengidentifikasi rentang nilai parameter yang meningkatkan probabilitas terjadinya Low Productivity dengan tingkat probabilitas ≥60% dan ≥80%.
Analisis ini dilakukan menggunakan pendekatan Machine Learning, yaitu Random Forest Classifier yang dikombinasikan dengan metode Accumulated Local Effects (ALE) untuk menjelaskan pengaruh masing-masing parameter terhadap probabilitas produktivitas tambak.
Random Forest digunakan untuk membangun model klasifikasi antara tambak dengan produktivitas rendah dan produktivitas tinggi, sedangkan ALE digunakan untuk mengidentifikasi rentang nilai parameter yang meningkatkan risiko terjadinya Low Productivity berdasarkan prediksi model.
Sebelum melakukan analisis zona berbahaya, kita perlu untuk menentukan productivity class sebagai grup faktor. Productivity class ditentukan berdasarkan distribus data yaitu : Low Productivity (< Q1 : < 25%) dan High Productivity (>Q3 : >75%).
Berdasarkan hasil klasifikasi, ditentukan nilai Quartil 1 (Q1) yaitu 5 kg/m², Quartil 2 (Median) yaitu 7 kg/m² dan Quartil 3 (Q3) yaitu 11 kg/m².
Data yang berada pada rentang Q1–Q3 tidak digunakan dalam model klasifikasi untuk meningkatkan kontras antara kelompok produktivitas rendah dan tinggi sehingga model machine learning dapat mengidentifikasi pola dengan lebih jelas.
Model Random Forest Classifier digunakan untuk mempelajari hubungan antara parameter budidaya (seperti kepadatan tebar, kualitas air, dan faktor lingkungan) dengan kelas produktivitas tambak. Model ini menghasilkan probabilitas terjadinya Low Productivity pada berbagai kombinasi parameter.
Selanjutnya metode Accumulated Local Effects (ALE) digunakan untuk menganalisis pengaruh lokal setiap parameter terhadap probabilitas Low Productivity. ALE memungkinkan identifikasi rentang nilai parameter yang meningkatkan probabilitas risiko berdasarkan distribusi data aktual. Melalui kombinasi metode ini, dapat ditentukan:
Melalui tools yang saya kembangkan, yaitu PL Performance Prediction, pendekatan berbasis data digunakan untuk membaca kondisi biologis dan lingkungan secara lebih komprehensif. Tools ini dirancang untuk membantu memperkirakan bagaimana performa post larvae (PL) akan berkembang, sekaligus mendeteksi potensi risiko dari bakteri seperti Vibrio.
Alih-alih hanya mengandalkan observasi manual, sistem ini memanfaatkan parameter yang sebenarnya sudah sangat familiar di lapangan, seperti tahap PL, tingkat kelangsungan hidup awal (SR), serta kepadatan bakteri dalam air (TVC dan GVC). Dari kombinasi data tersebut, model kemudian “belajar” mengenali pola—misalnya, bagaimana peningkatan beban bakteri dapat berdampak pada penurunan survival atau menghambat pertumbuhan.
Hasilnya bukan sekadar angka. Tools ini mampu memberikan gambaran yang lebih utuh: mulai dari prediksi panjang akhir PL, estimasi bobot rata-rata (MBW), hingga kemungkinan survival rate di fase berikutnya. Visualisasi grafik yang ditampilkan membantu pengguna melihat tren pertumbuhan dan potensi penurunan performa secara lebih intuitif.
Salah satu fitur penting dalam tools ini adalah kemampuan untuk membaca tingkat stres biologis melalui indikator yang disebut Stress Index. Nilai ini memberikan sinyal sederhana namun powerful—semakin tinggi nilainya, semakin besar tekanan yang dialami oleh PL. Dalam banyak kasus, kondisi ini berkaitan erat dengan tingginya populasi bakteri, terutama Vibrio yang bersifat patogen.
Ketika kelimpahan bakteri meningkat, model secara otomatis menangkap potensi dampaknya terhadap survival dan pertumbuhan. Dengan kata lain, sistem tidak hanya melihat apa yang terjadi, tetapi juga mencoba memahami mengapa itu terjadi.
Untuk menjembatani hasil analisis dengan kebutuhan praktis di lapangan, tools ini dilengkapi dengan fitur AI Advisor. Fitur ini berperan sebagai “asisten digital” yang menerjemahkan hasil prediksi menjadi insight yang lebih mudah dipahami. Bukan hanya memberi tahu bahwa kondisi sedang tidak ideal, tetapi juga menjelaskan faktor penyebabnya—misalnya, tingginya GVC yang berkontribusi terhadap penurunan SR.
Lebih dari itu, AI Advisor juga memberikan rekomendasi tindakan yang bisa langsung diterapkan. Mulai dari saran pengelolaan kualitas air, pengurangan beban organik, hingga perlunya monitoring lebih intensif dalam 24–48 jam ke depan. Pendekatan ini membuat sistem tidak hanya bersifat analitis, tetapi juga solutif dan preventif.
Dengan integrasi antara model prediksi dan AI Advisor, tools ini pada dasarnya mengubah cara kita melihat data dalam akuakultur. Data tidak lagi hanya menjadi catatan, tetapi menjadi dasar pengambilan keputusan. Dari yang sebelumnya reaktif—menangani masalah setelah terjadi—menjadi lebih proaktif dengan mendeteksi risiko sejak dini.
Pada akhirnya, inilah arah perkembangan akuakultur ke depan: lebih presisi, berbasis data, dan didukung oleh kecerdasan buatan. Teknologi seperti ini bukan untuk menggantikan pengalaman di lapangan, tetapi untuk memperkuatnya—memberikan sudut pandang tambahan yang mungkin tidak selalu terlihat secara kasat mata.
Dan mungkin, dari sinilah kita mulai bergerak menuju sistem budidaya yang tidak hanya produktif, tetapi juga lebih stabil dan berkelanjutan.
📝 Catatan Penting
Data yang digunakan pada contoh ini merupakan data simulasi hasil generate, sehingga tidak mencerminkan kondisi lapangan secara nyata. Analisis ini hanya bertujuan memberikan gambaran teknis mengenai cara kerja Analisis dan Machine Learning.
PT Central Proteina Prima Tbk (CP Prima) telah berdiri di Indonesia sejak 30 April 1980, dengan visi menjadi perusahaan akuakultur terbesar dan terdepan di dunia.
Sebagai salah satu pionir dalam industri akuakultur nasional, CP Prima telah mengembangkan bisnis yang luas — mulai dari produksi pakan udang, pakan ikan, pakan ternak, pakan hewan peliharaan, produk olahan, ekspor hasil perikanan, hingga produksi benur (hatchery) untuk udang dan ikan.
![]() |
Awal Bergabung
Saya pertama kali bergabung di CP Prima pada 18 Agustus 2025 sebagai Data Analyst Shrimp Hatchery.
Peran utama saya adalah melakukan analisis data dan reporting untuk mendukung pengambilan keputusan yang berbasis data.
Tugas pertama saya adalah mempelajari struktur data hatchery dan melakukan aktivitas lapangan. Tahapan ini menjadi dasar penting sebelum melakukan analisis data yang lebih mendalam.
A. Kunjungan Lapangan
Pada minggu-minggu awal, saya melakukan kunjungan ke lapangan untuk memahami proses produksi benur secara langsung — mulai dari tahap persiapan, penanganan induk, pemijahan, pemeliharaan larva, hingga proses panen.
Proses pengamatan ini memberi saya basic knowledge tentang alur kerja produksi hatchery.
Selain observasi, saya juga melakukan diskusi dengan tim produksi dan laboratorium untuk memahami parameter-parameter penting yang memengaruhi performa produksi, seperti kualitas air, kesehatan larva, dan manajemen induk.
B. Digitalisasi dan Visualisasi Data
Setelah memahami struktur data dan proses produksi, saya mulai mengembangkan sistem pelaporan digital berbentuk dashboard menggunakan Google Looker Studio (Baca juga: Looker Studio: Dashboard Budidaya).
Dashboard ini mengintegrasikan beberapa sumber data utama:
Dengan sistem ini, seluruh tim dapat melakukan analisis dan monitoring secara real-time, sehingga pengambilan keputusan menjadi lebih cepat dan berbasis data aktual.
Pada 26 November 2025 dan 10 Desember 2025, kami telah melaunching dan mensosialisasikan CPP Shrimp Hatchery Dashboard kepada seluruh tim Head of Hatchery yang meliputi bidang produksi, operasional dan supporting (Baca juga : Shrimp Hatchery Dashboard).
C. Meeting Nasional Shrimp Hatchery CP Prima
Pada 30 September – 2 Oktober 2025, saya berkesempatan menghadiri Meeting Nasional CP Prima Shrimp Hatchery yang diselenggarakan di Hotel Alana, Yogyakarta.
Acara ini membahas berbagai topik strategis — mulai dari progres produksi nasional, quality control, R&D dan improvement, HR, engineering, finance, hingga analisis data.
Pada sesi Data Analyst, saya berkesempatan untuk mempresentasikan sistem reporting digital yang telah kami kembangkan.
| Kegiatan Outbond CP Prima Shrimp Hatchery |
Sesi ini menjadi momen penting bagi saya untuk berbagi hasil kerja sekaligus mendapatkan masukan langsung dari para pimpinan dan rekan dari berbagai wilayah.
D. Personal Training
Dalam rangka meningkatkan kompetensi, khususnya soft skill yang mendukung peran saya sebagai Data Analyst dan Performance Analyst, saya secara aktif mengikuti berbagai program pelatihan yang diselenggarakan baik oleh pihak internal perusahaan maupun lembaga eksternal profesional.
![]() |
| Internal Training CP Prima |
Salah satu pelatihan internal yang saya ikuti adalah Training Problem Solving & Decision Making Using PDCA & QC Tools yang diselenggarakan pada 10–11 Februari 2026 di Jakarta Selatan. Pelatihan ini berfokus pada penguatan kemampuan analisis masalah secara sistematis serta pengambilan keputusan berbasis data menggunakan pendekatan PDCA (Plan–Do–Check–Action) dan berbagai QC Tools.
Selain itu, saya juga mengikuti pelatihan dari lembaga eksternal yang memiliki sertifikasi profesional di bidang data analytics, guna memperdalam keterampilan teknis dalam pengolahan, analisis, dan interpretasi data.
E. Analisis Data dan Reporting
Dalam mendukung proses pengambilan keputusan yang lebih akurat dan berbasis data, kami secara rutin melakukan berbagai analisis data menggunakan pendekatan statistik (Baca : JupyterLab (Python) : Analisis Data) maupun Machine Learning (Baca : Machine Larning dalam Akuakultur).
Analisis tersebut digunakan untuk:
Penutup
Pengalaman awal saya di CP Prima menjadi perjalanan yang sangat berharga. Dari kegiatan lapangan hingga pengembangan dashboard digital, saya belajar bahwa transformasi data bukan sekadar angka, tetapi juga alat untuk meningkatkan efisiensi, kualitas, dan produktivitas hatchery.
Saya percaya, dengan kolaborasi dan inovasi digital, CP Prima akan terus melangkah menuju visinya sebagai perusahaan akuakultur terbesar dan terdepan di dunia.
Pada sebuah studi eksperimental dari data PlantGrowth, kita memiliki 3 kelompok percobaan dengan 10 ulangan, yaitu :
Fokus analisis ini adalah untuk mengetahui apakah terdapat perbedaan yang signifikan dalam rata-rata berat antar kelompok perlakuan.
![]() |
One Way Anova & Uji Lanjut (Tukey-HSD) Uji Anova digunakan untuk mengetahui apakah terdapat perbedaan rata-rata antar kelompok perlakuan. Hasil analisis Anova menunjukkan bahwa kelompok perlakuan memberikan pengaruh yang signifikan (p-value < 0.05) terhadap pertumbuhan tanaman. Anova tidak menunjukkan pasangan mana yang berbeda. Maka dari itu kita lanjutkan dengan uji post-hoc. Uji Tukey HSD (Honest Significant Difference) digunakan untuk mengidentifikasi pasangan kelompok mana yang berbeda secara signifikan. Trt2 memberikan hasil pertumbuhan tertinggi dengan menunjukkan nilai yang signifikan dengan Trt1, namun tidak signifikan dengan Ctrl. Kemudian Ctrl menunjukkan nilai yang tidak signifikan dengan Trt1. Download : Notebook & Data |
![]() |
| Dashboard 1 |
PT. Grobest Indomakmur (Grobest Group) merupakan salah satu perusahaan multinasional yang bergerak dalam sektor akuakultur.
Perusahaan yang didirikan di Taiwan pada tahun 1974 ini menjadi salah satu pemasok pakan ikan dan udang di Indonesia.
Saya bergabung di PT. Grobest Indomakmur (Grobest Group) yaitu pada Maret 2021 dengan jabatan sebagai Aquaculture Technology Development Specialist (ATD Specialist).
![]() |
| Kunjungan ke Tambak Pendampingan Grobest |
Tugas pertama saya di Aquaculture Technology Development Specialist (ATD Specialist) yaitu monitoring progres trial. Kami bekerjasama dengan IPB Bogor dalam program Trial ini.
A. Monitoring Progres Trial
Demi mendukung kesuksesan trial, saya ikut membantu dalam menyediakan kebutuhan pakan treatment dan memonitoring progres trial tersebut untuk dilaporkan ke manajemen dan Headquarters (HQ).
Trial ini dilaksanakan di lokasi yang berbeda, trial Laboratorium dilaksanakan di Lab kampus dan trial lapangan dilaksanakan di Tambak Lampung.
![]() |
| Monitoring Progres Trial di IPB Bogor |
B. Collecting dan Analisis Data
Tugas saya selanjutnya yaitu mengumpulkan data (collecting data) budidaya tambak customer Grobest terkhusus tambak pendampingan.
Data yang saya kumpulkan mulai dari data informasi tambak, persiapan budidaya, kualitas air, sampling, kesehatan udang (hepato pancreas), panen dan lain-lain.
Kami melakukan kunjungan ke beberapa tambak pendampingan kemudian mengumpulkan informasi dan dokumentasi. Salah satu kunjungan kami telah saya posting pada artikel sebelumnya (Baca : Wisata Akuakultur di Pantai Carita Banten).
![]() |
| Kunjungan dan Diskusi Bersama Customer Grobest |
Proses collecting data pada mulanya dilaksanakan secara manual. Kami membagian form monitoring excel, kemudian tim technical services dan teknisi tambak mengisi form tersebut.
Kemudian data trial maupun data budidaya tersebut saya analisa, dan dijadikan bahan diskusi pada meeting technical.
Agar pekerjaan lebih simpel maka kami mengembangkan form monitoring trial dan dashboard monitoring budidaya customer kami di seluruh Indonesia.
Selain itu ada beberapa form dan dashboard berbasis excel yang telah kami kembangkan untuk monitoring performa pasar, dan lingkungan perairan (Baca : Excel Monitoring Dashboard : Project Trial, Budidaya, Market, Pakan dan Lingkungan).
C. Analisis Data, Reporting dan Presentasi
Data yang telah saya kumpulkan, kemudian saya analisa menggunakan tools seperti excel dan IBM SPSS statistics (data trial).
Data tersebut saya olah dan kemudian dibuatkan laporan mingguan, laporan bulanan, dan analisa technical lainnya.
Laporan tersebut kami share kepada tim management, technical services, sales sebagai bahan evaluasi performa pakan.
![]() |
| Analisis Data dan Menyusun Presentasi Bersama Technical Services Director |
Pada 2024 akhir, kami mulai melakukan digitalisasi data-data tersebut kami analisa menggunakan power BI (Baca : Power BI Technical Aquaculture : Laporan Data, Penyakit, Inventory, Training & Performa Budidaya)
![]() |
| Meeting Technical |
Pada 2022, Grobest Indonesia mulai menggunakan aplikasi Technical Services Apps (Pond Data Collection) yang dikembangkan oleh tim Technical Service Group.
Demi mendukung kelancaran penggunaan aplikasi tersebut, saya melakukan sosialisasi dan training penggunaan aplikasi tersebut.
Training online tersebut dihadiri oleh Regional Sales Manager, Technical Services Manager, Technical Services, Grobest Technical Training Program, & Analis Laboratorium seluruh Indonesia.
![]() |
| Presentasi dan Sosialisasi Penggunaan TS Apps Grobest |
Tidak sampai disitu saja, saya juga menyusun laporan mingguan sebagai bahan evaluasi penggunaan aplikasi setiap bulannya.
Selain training dan sosialiasi penggunaan aplikasi TS Apps, saya juga melaksanakan beberapa training seperti Training Basic (Grobest Feeds & Introduction, Shrimp Health dan Fungsional Feeds), Intermediate (Basic Laboratorium dan Funsgional Feeds Update) dan Advance (Diskusi Success Story dan Studi Kasus).
Pada Mei - Juni 2025, saya menjadi trainer / pemateri untuk training microsoft online : SharePoin Online, Power BI & Power Automate. Kegiatan tersebut dilaksanakan oleh Departemen Human Resorce (HR) dan dihadiri oleh tim head office dan tim produksi.
E. Mendukung Tim Laboratorium
Departemen Aquaculture Technology Development (ATD) memiliki tugas dalam support tim laboratorium. Mulai dari melaksanakan training, pendataan, pengiriman barang lab dan lain sebagainya.
![]() |
| Tim ATD Grobest |
Pada 2024 akhir, proses pengajuan barang dilakukan secara digital menggunakan microsoft form dan power automate. Tim melakukan pengajuan, kemudian atasan melakukan review dan ACC.
Setelah setelah selesai, maka kami melakukan pengiriman barang laboratorium seperti test kit, reagen, dan lain sebagainya.
Mereka bisa melakukan pengajuan, monitoring stock dan pengiriman pada aplikasi power apps yang telag kami kembangkan (Baca : Power Apps Technical - Marketing : Pengajuan, Training, Edukasi dan Report)
E. Mendukung Marketing
| Diskusi dengan Pengunjung di Asian-Pacific Aquaculture (APA) 2024 di Surabaya |
| Bersama Tim Grobest di APA Surabaya |
![]() |
| Konten Success Story Grobest |
G. Employee of the Month
Pada April 2025 saya dipercayakan untuk menjadi Employee of the Month PT. Grobest Indomakmur. Terimakasih saya ucapkan kepada semua pihak atas kepercayaannya
![]() |
| Penyerahan Gambar Figura oleh Head of HR |
Industri akuakultur udang di Indonesia terus berkembang pesat, dengan berbagai faktor yang perlu dipantau secara berkala untuk memastikan keberlanjutan dan efisiensi.
Kami telah mengembangkan aplikasi Dashboard Monitoring Berbasis Excel sebagai solusi praktis untuk memudahkan dalam memantau berbagai aspek penting, mulai dari progress trial, performa budidaya tambak pendampingan, hingga analisis pasar pakan udang.
A. Monitoring Progres Trial
Dalam industri akuakultur, uji coba (trial) terhadap metode budidaya, teknologi baru, atau formulasi pakan sangat penting untuk meningkatkan efisiensi produksi. Kami mengembangkan dashboard ini untuk :
B. Dashboard Budidaya Udang
Keberhasilan budidaya udang ditentukan oleh berbagai faktor seperti tingkat kelangsungan hidup, pertumbuhan, dan efisiensi pakan. Kami mengembangkan dashboard ini untuk :
Kami mengembangkan form monitoring untuk monitoring kondisi pasar udang nasional. Form monitoring ini bertujuan untuk mengetahui performa pakan kami dibandingkan dengan kompetitor.
D. Monitoring Volume Pakan Per Tahun
Kami mengembangkan dashboard untuk memonitoring volume pakan pakan kami. Dashboard ini memuat informasi volume pakan berdasarkan nama customer, volume perbulan, volume per regional (area) dan lain sebagainya.
E. Informasi Lingkungan Area
Kondisi lingkungan laut seperti suhu, salinitas, oksigen terlarut, dan kualitas air sangat mempengaruhi keberhasilan budidaya udang.
Kami mengembangkan dashboard untuk monitoring informasi lingkungan lingkungan perairan di Indonesia.
Saya memiliki beberapa pengalaman organisasi selama menempuh pendidikan pasca sarjana di Institut Pertanian Bogor (IPB) University.
Baik organisasi internal (Baca : Organisasi Mahasiswa Pasca Sarjana IPB University) maupun organisasi eksternal. Organisasi eksternal yang saya geluti yaitu Himpunan Mahasiswa Islam (HMI).
![]() |
| MILAD HMI Ke-73 |
Himpunan Mahasiswa Islam (HMI) adalah organisasi mahasiswa yang didirikan pada tanggal 5 Februari 1947 di Yogyakarta, Indonesia.
Tujuan organisasi ini yaitu terbinanya insan akademis, pencipta, pengabdi, yang bernafaskan Islam dan bertanggung jawab atas terwujudnya masyarakat adil makmur yang diridhoi Allah SWT.
Saya memulai karier di HMI yaitu sebagai Wakil Sekretaris Bidang PTKP HMI Cabang Bogor Komisariat FPIK IPB melalui SK Reshufle.
Pada kepengurusan tersebut, kami melaksanakan beberapa kegiatan seperti diskusi dan bedah buku. Pada momen tersebut saya pernah menjadi pemateri dengan buku MADILOG karangan Tan Malaka.
Setelah demisioner, saya diamanahkan menjadi ketua panitia Senior Course Tingkat Nasional Badan Pengelola Latihan (BPL) HMI Cabang Bogor yang dilaksanakan di GSMI (Sekretariat HMI Cabang Bogor).
![]() |
| Laporan Ketua Panitia SC BPL HMI Bogor |
Kegiatan tersebut merupakan kegiatan kaderisasi untuk calon instruktur HMI di seluruh Indonesia.
Pada kepengurusan baru BPL HMI Cabang Bogor, saya diamanahkan menjadi Sekretaris Umum BPL HMI Cabang Bogor 2019 - 2020. Saya bertanggung jawab dalam manajemen administrasi dan ikut serta menjadi instruktur Latihan Kader / Training HMI.
![]() |
| LK1 HMI Cabang Bogor |
Selain aktif di BPL, saya juga diamanahkan menjadi Ketua Bidang Pembinaan Anggota (PA) HMI Cabang Bogor. Selaras dengan tugas saya di BPL, saya bertanggung jawab dalam melaksanakan kaderisasi dan pelatihan untuk kader.
![]() |
| Kegiatan MILAD HMI Ke-73 |
Kegiatan pertama kami yaitu MILAD HMI Ke-73, kegiatan tersebut dirangkaikan dengan diskusi refleksi sejarah HMI dan kegiatan lomba futsal. Pada kegiatan tersebut, saya menjadi steering commitee dan sekaligus moderator kegiatan.
![]() |
| Bedah Buku dan Surau Filsafat HMI |
Kegiatan kami selanjutnya yaitu Surau Filsafat HMI, pada kegiatan tersebut pemateri memberikan materi terkait pemikiran para filsuf Barat, Islam hingga Indonesia.
Pada masa itu, Indonesia mengalami PSBB akibat pandemi covid-19, sehingga kami lebih banyak melaksanakan kegiatan secara daring (Baca : COVID-19 dan Perkaderan Secara Online)
Selain kegiatan surau filsafat, kami juga melaksanakan kegiatan follow up materi wajib Latihan Kader II (LK2) HMI Cabang Bogor. Seperti Materi kepemimpinan, ideopolitorstratak, teori-teori perubahan sosial, nilai-nilai dasar perjuangan dan lain-lain.
![]() |
| Follow UP Materi Wajib HMI |
Selain melaksanakan kegiatan forum, kami juga melaksanakan kegiatan diskusi, berkoordinasi dengan bidang pembinaan anggota komisariat, melakukan penelitian dan evaluasi latihan kader daring.
Hasil penelitian dan kajian kami selanjutnya kami jadikan rekomendasi dalam bentuk draft rancangan e-training dalam forum Kongres XXXI di Surabaya.
![]() |
| Kongres HMI Surabaya |
Kegiatan kami selanjutnya yaitu Latihan Kader (LK2) HMI Cabang Bogor Tingkat Nasional. Kegiatan tersebut bertujuan yaitu terbinanya kader HMI yang mempunyai kemampuan intelektual untuk memetakan peradaban dan memformulasikan gagasan dalam lingkup organisasi.
Kegiatan LK2 menjadi kegiatan wajib dan sekaligus penutup kegiatan Bidang Pembinaan Anggota HMI Cabang Bogor. Kegiatan tersebut dilaksanakan pada 14 - 20 Agustus 2021 di GSMI HMI Cabang Bogor.
Selain bertanggung jawab dalam memimpin bidang, saya juga beberapa kali mengikuti kegiatan lomba dan menjadi pemateri LK1 HMI Cabang Bogor.
![]() |
| Pemateri & Peserta LK1 HMI Cabang Bogor Kom. FPIK IPB |
Selain aktif dalam lingkup kaderisasi, saya juga ikut serta menjadi panitia pada kegiatan lainnya. Beberapa kegiatan seperti pelatihan pembibitan, bagi-bagi masker (Baca : Organisasi Mahasiswa dan Aksi Lawan COVID-19) dan lain sebagainnya.