Tentang Sesi Ini
Ringkasan & metadata
Sesi ini membedah fitur-fitur terbaru Amazon SageMaker, dengan sorotan pada pengalaman Notebook di SageMaker Studio dan SageMaker Unified Studio — ruang kerja terpadu untuk mempercepat pekerjaan analitik dan machine learning. Kalau sebelumnya seorang data scientist harus melompat-lompat antara banyak alat (satu untuk menyiapkan data, satu untuk melatih model, satu lagi untuk deploy), arah baru SageMaker menyatukannya dalam satu pengalaman notebook yang terkelola, kolaboratif, dan tersambung langsung ke data.
Notebook memang jantung pekerjaan data scientist: tempat menulis kode, mengeksplorasi data, membuat grafik, melatih model, dan mencatat temuan. Namun notebook "polos" punya banyak friksi — mengurus server sendiri, menyiapkan pustaka, menyambungkan ke sumber data, membagikan hasil ke rekan tim. Fitur terbaru SageMaker menyasar tepat pada friksi-friksi itu: notebook terkelola yang siap pakai, integrasi data & analitik bawaan, kolaborasi tim, pipeline ML, hingga bantuan AI di dalam notebook yang membantu menulis dan menjelaskan kode.
Catapa — penyedia SaaS HR & payroll di Indonesia — hadir berbagi pengalaman nyata memakai ML untuk mengolah data sumber daya manusia (SDM): dari analitik ketenagakerjaan hingga model prediksi. Cerita mereka menautkan fitur teknis dengan nilai bisnis yang bisa dirasakan.
Kenapa penting untuk Anda? Jika tim data Anda menghabiskan lebih banyak waktu untuk "menyiapkan alat" ketimbang "bereksperimen dengan data", sesi ini menunjukkan bagaimana pengalaman notebook modern memangkas beban itu — sehingga fokus kembali ke pertanyaan bisnis.
Catapa adalah platform SaaS HR & payroll berbasis cloud asal Jakarta, Indonesia, yang pertama dirilis pada 21 April 2017. Perusahaan ini bermula sebagai proyek internal di GDP Labs — lengan riset & pengembangan produk milik GDP Venture (grup yang didukung Djarum) — dan menyasar UKM hingga perusahaan besar dengan otomasi penggajian, pajak PPh 21, serta iuran BPJS Kesehatan & Ketenagakerjaan yang bisa diproses hanya dalam hitungan menit. Catapa juga menempatkan diri sebagai Human Resources Intelligent System yang menerapkan AI, antara lain lewat asisten virtual bernama Claudia — chatbot untuk pengajuan cuti, lembur, dan kebutuhan HR lain yang dapat tersambung ke Slack, LINE, Telegram, atau Messenger. Profil ini menjelaskan mengapa Catapa relevan berbagi pengalaman pengolahan data SDM lintas banyak perusahaan klien dalam sesi ini.
Sumber: catapa.com; profil GDP Labs / GDP Venture (gdplabs.id); liputan DailySocial, CompassList, dan SWA. Catatan: tidak ditemukan studi kasus publik yang merinci pemakaian Amazon SageMaker atau AWS oleh Catapa; detail arsitektur spesifik sesi bersifat ilustratif kecuali disebutkan resmi.
Apa Itu & Bagaimana Bekerjanya
Apa itu SageMaker Notebook (Studio & Unified Studio)
Amazon SageMaker adalah layanan lengkap untuk membangun, melatih, dan menjalankan model machine learning. Di jantungnya ada SageMaker Studio — sebuah "IDE" berbasis peramban tempat data scientist bekerja. Notebook di sini bukan sekadar editor: ia terkelola, artinya server komputasi, pustaka, dan lingkungan sudah disiapkan dan bisa diperbesar/diperkecil sesuai kebutuhan tanpa Anda mengurus mesin secara manual.
Perkembangan terbaru adalah SageMaker Unified Studio: satu pintu masuk yang menyatukan pekerjaan data, analitik, dan AI/ML. Di dalamnya, notebook tersambung langsung ke sumber data (danau data, gudang data, katalog), ke mesin analitik (mis. query SQL berskala besar), dan ke perkakas ML — semua dari satu tempat. Prinsipnya sederhana: kurangi perpindahan konteks. Semakin sedikit alat yang harus dijembatani sendiri, semakin cepat dari ide ke hasil.
Satu lagi yang menonjol: bantuan AI di dalam notebook. Asisten dapat membantu menulis kode, menjelaskan sel yang membingungkan, memperbaiki error, sampai menyarankan langkah analisis berikutnya — mengubah notebook dari kanvas kosong menjadi mitra kerja.
Fitur & layanan utama
Berikut komponen inti yang dibahas di sesi, dengan fungsi ringkasnya:
Keenam komponen ini dipakai bersama-sama sepanjang siklus kerja. Contohnya, seorang data scientist bisa memakai Data / S3 untuk menarik data mentah, mengolahnya di Notebook / Studio, merangkai langkah-langkah berulang menjadi ML Pipeline, sesekali memanggil Bedrock untuk merangkum atau memberi label data, lalu memakai Observability untuk membandingkan performa antar-percobaan model.
Analogi yang Mudah Dicerna
Ibarat laboratorium data yang alatnya sudah tertata
Ibaratnya, membangun analitik & ML sendiri dari nol seperti seorang ilmuwan yang harus membangun laboratoriumnya sendiri sebelum bereksperimen: memasang meja, menyambung listrik, mengkalibrasi mikroskop, mencari bahan baku. Berjam-jam habis untuk persiapan, bukan penemuan. SageMaker Notebook adalah laboratorium data lengkap yang alat-alatnya sudah tertata & tersambung — ilmuwan tinggal masuk dan langsung bereksperimen.
- Notebook / Studio = meja kerja utama — tempat semua percobaan dilakukan dan dicatat.
- Data / S3 = gudang bahan baku — sampel data yang siap diambil kapan saja, sudah berlabel di katalog.
- Komputasi terkelola = alat berdaya sesuai kebutuhan — mikroskop kecil untuk uji cepat, atau alat besar saat melatih model berat.
- ML Pipeline = prosedur baku (SOP) — langkah percobaan yang bisa diulang persis, agar hasil konsisten.
- Bantuan AI = asisten lab yang cekatan — menyiapkan reagen, mencatat, dan mengingatkan langkah berikutnya.
- Observability = buku jurnal & papan hasil — mencatat tiap percobaan agar bisa dibandingkan dan diulas.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, pekerjaan analitik & ML di atas SageMaker terlihat seperti ini: data scientist bekerja di Notebook / Studio, yang tersambung ke sumber Data (S3, gudang & katalog) di satu sisi, dan ke komputasi terkelola untuk melatih model di sisi lain. Langkah-langkah yang berulang dirangkai menjadi ML Pipeline, model yang jadi di-deploy sebagai endpoint, dan sepanjang jalan Observability merekam eksperimen. Bantuan AI menemani di dalam notebook.
Alur kerja satu proyek
Ketika seorang data scientist ditugasi "prediksi karyawan yang berisiko keluar", inilah yang terjadi dari awal sampai akhir:
- Eksplorasi data. Di notebook, ia menarik data SDM dari katalog, membersihkan, dan membuat grafik untuk memahami pola.
- Rekayasa fitur. Menyusun variabel yang relevan (masa kerja, kepuasan, jarak, dsb.) — dibantu asisten AI untuk menulis kode transformasi.
- Latih model. Menjalankan pelatihan di komputasi terkelola; mencoba beberapa algoritma dan membandingkan.
- Evaluasi. Observability mencatat metrik tiap percobaan sehingga model terbaik mudah dipilih.
- Jadikan pipeline. Langkah-langkah dirangkai menjadi ML Pipeline agar bisa dijalankan ulang otomatis saat data baru datang.
- Deploy & pantau. Model terbaik di-deploy sebagai endpoint; performanya dipantau agar tetap akurat seiring waktu.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga skenario penerapan lintas industri yang khas di Indonesia.
Prediksi attrition & analitik SDM
Sebagai penyedia HR & payroll SaaS, Catapa mengolah data ketenagakerjaan lintas banyak perusahaan klien. Dengan pengalaman notebook SageMaker, tim datanya mengeksplorasi data SDM, membangun model prediksi attrition (siapa karyawan yang berisiko resign), dan menyajikan analitik seperti tren absensi atau kesenjangan gaji. Komputasi terkelola membuat eksperimen cepat tanpa mengurus server; ML Pipeline memastikan model diperbarui otomatis saat data payroll bulanan masuk; dan hasilnya membantu tim HR klien bertindak lebih dini menahan talenta.
Peramalan permintaan (demand forecasting)
Sebuah jaringan ritel ingin menjaga stok tepat: tak kehabisan barang laris, tak menumpuk barang lambat. Di notebook, tim data menggabungkan riwayat penjualan, musim, dan promosi, lalu melatih model peramalan permintaan per toko dan per produk. Karena semua data dan alat berada di satu ruang kerja, siklus dari "ide" ke "prakiraan mingguan yang berjalan otomatis" jauh lebih singkat — dan Observability memastikan akurasi tetap terjaga saat pola belanja berubah.
Skoring & segmentasi nasabah
Perusahaan jasa keuangan memakai notebook untuk membangun model skoring kredit dan segmentasi nasabah. Data scientist bereksperimen dengan fitur, melatih model, lalu men-deploy sebagai endpoint yang dipanggil aplikasi. Karena data sensitif, seluruh eksperimen tercatat rapi lewat Observability untuk keperluan audit & kepatuhan, dan pipeline memastikan model bisa dilatih ulang secara terkendali saat regulasi atau kondisi pasar berubah.
Ringkasan Visual (Geser)
Ringkasan visual
Enam kartu berikut merangkum inti sesi. Gunakan tombol atau tombol panah keyboard (← →) untuk berpindah.
Poin yang Bisa Dibawa Pulang
Poin yang bisa dibawa pulang
- Yang memperlambat sering bukan model, tapi friksi. Menyiapkan alat & menyambung data memakan waktu — fitur baru SageMaker memangkasnya.
- Notebook modern = ruang kerja terpadu. Studio & Unified Studio menyatukan data, analitik, ML, dan bantuan AI di satu tempat.
- Rangkai eksperimen jadi pipeline. Yang manual di notebook bisa diotomasi agar konsisten dan bisa diulang.
- Bukti nyata dari Catapa. Analitik & prediksi SDM jadi lebih cepat — pelajaran yang berlaku juga untuk ritel dan keuangan.