Portofolio AI tanpa pengalaman: dua proyek terjelaskan mengalahkan enam demo

Panduan Interview Prep menilai dua proyek yang dijelaskan dengan baik lebih kuat daripada enam notebook yang belum selesai. Untuk portofolio AI tanpa pengalaman kerja, gunakan perbandingan itu sebagai prinsip kurasi: pilih karya yang memperlihatkan masalah, keputusan, hasil uji, dan keterbatasan. Dua proyek seperti itu memberi lebih banyak bukti untuk dinilai daripada enam demo yang hanya menampilkan keluaran; ini bukan jaminan lolos seleksi.

Proyek mandiri, tugas kuliah, atau simulasi bisa menjadi titik awal selama status dan kontribusi Anda dinyatakan terus terang. Susun setiap karya agar pembaca dapat membedakan apa yang Anda bangun sendiri, apa yang diambil dari model atau tutorial, dan apa yang benar-benar sudah diuji. Dengan begitu, portofolio menjawab pertanyaan perekrut tanpa mengarang pengalaman klien.

Pilih proyek dari kemampuan yang diminta lowongan

Mulailah dari tugas dalam posisi yang dituju, lalu cari cara menunjukkan keputusan yang terkait dengan tugas itu. Jika lowongan menekankan analisis data, proyek klasifikasi dengan penjelasan tentang pemilihan data dan kesalahan mungkin lebih relevan daripada antarmuka percakapan yang hanya terlihat menarik. Untuk peran yang dekat dengan produk, tunjukkan alur pengguna, sumber jawaban, serta kondisi ketika sistem harus meminta klarifikasi.

Panduan Jobstreet Indonesia menyarankan karya yang sesuai lowongan, konteks pada tiap karya, dan memasukkan pekerjaan kuliah bagi pelamar pemula; panduan umum itu menyebut tiga sampai enam karya terbaik. Rentang tersebut berlaku untuk karya yang sudah dipilih dan dijelaskan, sedangkan perbandingan dua lawan enam dalam judul ini menyoroti demo yang belum memberi bukti memadai. Keduanya adalah anjuran penyajian, bukan data tentang peluang diterima.

Untuk memulai, pasangkan karya yang menjawab pertanyaan berbeda: satu memperlihatkan bagaimana Anda menyiapkan masukan dan menilai prediksi, satu lagi bagaimana Anda menjaga jawaban AI tetap berpijak pada sumber. Jika hanya satu proyek yang dapat dijelaskan dengan jujur, tuntaskan catatan dan pengujiannya sebelum memperbanyak contoh.

Tiga brief proyek dari dasar hingga lanjutan

Ketiga brief berikut adalah rancangan latihan, bukan proyek yang sudah dijalankan atau diuji. Pilih sesuai kemampuan dan bahan yang sah dipakai; tingkat kesulitan tidak perlu dinaikkan jika keputusan pada tingkat sebelumnya belum bisa Anda terangkan.

1. Dasar: klasifikasi benda daur ulang dari foto. Batasi tugas, misalnya membedakan botol plastik dan karton pada foto yang izin pakainya jelas. Catat asal gambar dan aturan pelabelan, sisihkan contoh untuk pengujian sebelum mengubah model, lalu tampilkan contoh yang diprediksi salah. Bila pencahayaan atau kemasan tampak berpengaruh, sebut sebagai dugaan sampai Anda memeriksa contoh serupa.
2. Menengah: tanya jawab atas informasi kampus terbuka. Tentukan halaman resmi yang menjadi sumber dan jenis pertanyaan yang boleh dijawab. Bangun alur yang menemukan bagian sumber sebelum menyusun jawaban; periksa jawaban terhadap bagian yang ditemukan, bukan hanya apakah kalimatnya terdengar masuk akal. Catat pertanyaan tanpa sumber yang memadai dan keluaran yang seharusnya menyatakan tidak tahu. Jangan menyamakan prototipe ini dengan layanan resmi kampus.
3. Lanjutan: audit asisten layanan simulasi. Gunakan skenario serta materi yang memang boleh dipublikasikan, lalu kelompokkan pertanyaan yang jelas, ambigu, dan di luar cakupan. Tetapkan kapan sistem menjawab, meminta rincian, atau menyatakan tidak tahu. Simpan keluaran sebelum dan sesudah perubahan aturan atau prompt dengan kriteria penilaian yang sama. Tulis “simulasi” secara terlihat; jangan mengklaim dampak pada pelanggan yang tidak pernah memakai sistem.

Setiap brief memerlukan keluaran yang dapat diperiksa: contoh masukan, hasil sistem, keputusan penilaian, serta kasus gagal. Jika data tidak boleh dibagikan, jelaskan bentuknya dan sediakan contoh pengganti yang aman. Pembaca tetap perlu tahu bagian mana dari klaim yang tidak dapat mereka reproduksi.

README menjelaskan kerja Anda, bukan hanya cara menjalankan kode

Letakkan ringkasan singkat di awal README: siapa pengguna yang dibayangkan, masalah yang dibatasi, keluaran proyek, dan statusnya sebagai latihan mandiri, tugas kuliah, atau simulasi. Setelah itu susun asal data dan izin pakai, pendekatan awal, alasan mengubahnya, komponen pihak ketiga, cara menjalankan, evaluasi, contoh kesalahan, dan batas penggunaan. Tautkan hasil atau contoh yang memang bisa diakses.

Jelaskan kontribusi dengan kalimat yang dapat diperiksa: “Saya menyiapkan [bagian], memilih [pendekatan] karena [alasan], memeriksa [keluaran] dengan [kriteria], dan menemukan [batas].” Isi hanya bagian yang benar-benar Anda kerjakan. Dalam proyek kelompok, sebut pekerjaan anggota lain; pada proyek berbasis model pralatih, bedakan integrasi atau evaluasi Anda dari pembuatan model dasarnya.

Bila memulai dari tutorial, tulis judul atau tautannya dan bagian mana yang Anda ikuti tanpa perubahan. Lalu uraikan modifikasi yang Anda rancang, alasan mengubahnya, dan apakah hasil uji mendukung pilihan itu. Menyalin notebook lalu mengganti nama repositori tidak menunjukkan kontribusi yang sama dengan merancang pertanyaan uji atau membandingkan kegagalan.

Lembar evaluasi memperlihatkan batas kemampuan sistem

Satu demo yang berhasil hanya membuktikan bahwa sistem bekerja pada contoh itu. Dokumentasi model card Hugging Face meminta penjelasan tujuan penggunaan, data pelatihan, hasil evaluasi, dan keterbatasan model. Untuk portofolio, terapkan prinsip dokumentasi tersebut dalam lembar singkat yang ditautkan dari README, tanpa menyebut proyek latihan sebagai model yang siap dipakai umum.

• Lingkup dan versi: tugas yang diuji, versi model atau layanan, sumber data, dan penanda versi ketika perubahan sistem memengaruhi hasil.
• Contoh uji: cara memilihnya, label atau jawaban rujukan, serta pemisahannya dari contoh yang dipakai saat menyetel sistem.
• Kriteria: definisi hasil benar dan salah. Pada klasifikasi, tampilkan jenis kekeliruan; pada tanya jawab, bedakan jawaban yang didukung sumber dari jawaban yang kebetulan benar tetapi tidak bersumber.
• Jejak perubahan: kasus gagal, dugaan penyebab, perubahan yang dicoba, serta hasil uji ulang. Jika belum menguji ulang, tulis status itu.

Catat ukuran sampel dan cara memilihnya sebelum menyimpulkan hasil. Sampel kecil tetap berguna untuk menemukan kegagalan spesifik, tetapi tidak mendukung klaim bahwa sistem andal pada semua masukan. Untuk pertanyaan yang ambigu atau di luar cakupan, meminta rincian atau menyatakan tidak tahu bisa lebih tepat daripada jawaban yang terdengar yakin.

Checklist agar tutorial tidak diklaim sebagai karya orisinal

Sebelum membagikan portofolio, cocokkan klaim di halaman utama dengan bukti di setiap repositori. Periksa pula asal model, dataset, dan kode yang Anda gunakan.

• Apakah status proyek tertulis jelas: tugas kuliah, latihan mandiri, simulasi, atau pekerjaan nyata?
• Apakah tutorial, model, dataset, pustaka, dan kode pihak lain disebut di dekat bagian yang menggunakannya, beserta perubahan yang Anda buat sendiri?
• Apakah hasil uji dapat ditelusuri ke contoh, kriteria, dan versi sistem, termasuk keluaran yang salah?
• Apakah klaim manfaat terbatas pada yang diamati, tanpa mengarang pengguna, penghematan waktu, atau kenaikan kinerja bisnis?
• Apakah tautan terbuka, petunjuk menjalankan cukup jelas, serta data pribadi dan materi tanpa izin telah dikeluarkan?

Urutkan karya yang selesai menurut lowongan yang dituju: yang paling relevan lebih dulu, lalu proyek yang memperlihatkan kemampuan pelengkap. Jika pembaca dapat menemukan masalah, kontribusi Anda, hasil pemeriksaan, dan batas pemakaian tanpa menebaknya dari demo, portofolio sudah menyediakan bahan konkret untuk wawancara atau asesmen.

Baca juga:

• Lowongan junior menyusut 15%—pengalaman kini diminta tanpa mengganti jabatan
• Forward Deployed Engineer menjembatani demo AI dan sistem produksi
• Hugging Face untuk pemula: mulai di Colab tanpa memasang AI lokal