M12.L03 · Menengah · 35-45 menit

Portfolio dan case study yang bisa dijual

Di sini kamu akan memahami portfolio dan case study yang bisa dijual tanpa harus hafal jargon dulu.

KALAU LESSON INI BERES1/1

Paham case study
Paham before-after
Paham deliverable

Sebelum mulai

Baca ringkasan modul dan siapkan satu contoh pekerjaan nyata.
Selesaikan modul sebelumnya atau pahami konsep dasarnya dulu.

Target belajar: Setelah lesson ini, kamu bisa menjelaskan portfolio dan case study yang bisa dijual, menerapkannya pada contoh Indonesia yang sederhana, dan tahu bagian mana yang harus dicek manusia.

Yang perlu kamu tangkap

01Case study

Case study perlu dipahami sebagai bagian dari service packaging. Portfolio AI jangan cuma berisi “saya bisa pakai ChatGPT”. Tunjukkan problem nyata, proses yang dipakai, tools, workflow, output, metric, dan pelajaran. Format case study: problem -> baseline -> solution -> workflow -> result -> screenshot/demo -> next improvement.

Kenapa penting: Ini penting karena lesson M12.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan case study membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Contoh: Case study “Dari 1 artikel jadi 12 konten”: input artikel 1500 kata, workflow repurpose, output 5 post X, 3 carousel, 2 video script, 1 newsletter, 1 infographic. Metric: waktu produksi turun dari 6 jam ke 90 menit.

Kesalahan pemula: Kesalahan umum: menganggap case study otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

02Before-after

Before-after perlu dipahami sebagai bagian dari scope dan pricing. Untuk jasa, portfolio lebih penting daripada sertifikat. Client ingin melihat apakah kamu bisa menyelesaikan masalah mereka. Buat 3-5 case study fiktif tapi realistis jika belum punya client. Jelaskan bahwa itu demo project.

Kenapa penting: Ini penting karena lesson M12.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan before-after membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap before-after otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

03Deliverable

Deliverable perlu dipahami sebagai bagian dari proposal dan delivery. Case study yang bagus bisa dipakai untuk landing page service, pitch deck, thread X, proposal client, dan halaman portfolio.

Kenapa penting: Ini penting karena lesson M12.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan deliverable membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap deliverable otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

04Metric

Metric perlu dipahami sebagai bagian dari maintenance, outreach, dan capstone rubric. Portfolio AI jangan cuma berisi “saya bisa pakai ChatGPT”. Tunjukkan problem nyata, proses yang dipakai, tools, workflow, output, metric, dan pelajaran. Format case study: problem -> baseline -> solution -> workflow -> result -> screenshot/demo -> next improvement.

Kenapa penting: Ini penting karena lesson M12.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan metric membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap metric otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

05Demo

Demo perlu dipahami sebagai bagian dari Demo. Untuk jasa, portfolio lebih penting daripada sertifikat. Client ingin melihat apakah kamu bisa menyelesaikan masalah mereka. Buat 3-5 case study fiktif tapi realistis jika belum punya client. Jelaskan bahwa itu demo project.

Kenapa penting: Ini penting karena lesson M12.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan demo membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap demo otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

06Client-ready portfolio

Client-ready portfolio perlu dipahami sebagai bagian dari Client-ready portfolio. Case study yang bagus bisa dipakai untuk landing page service, pitch deck, thread X, proposal client, dan halaman portfolio.

Kenapa penting: Ini penting karena lesson M12.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan client-ready portfolio membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap client-ready portfolio otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

07Proof of work

Proof of work perlu dipahami sebagai bagian dari Proof of work. Portfolio AI jangan cuma berisi “saya bisa pakai ChatGPT”. Tunjukkan problem nyata, proses yang dipakai, tools, workflow, output, metric, dan pelajaran. Format case study: problem -> baseline -> solution -> workflow -> result -> screenshot/demo -> next improvement.

Kenapa penting: Ini penting karena lesson M12.L03 bukan cuma mengejar istilah. Kamu perlu tahu kapan proof of work membantu kerja nyata, kapan harus diverifikasi, dan batas apa yang tetap perlu dijaga manusia.

Kesalahan pemula: Kesalahan umum: menganggap proof of work otomatis membuat hasil benar tanpa contoh, sumber, atau checklist evaluasi.

Oke, sekarang kita bongkar

Portfolio AI jangan cuma berisi “saya bisa pakai ChatGPT”. Tunjukkan problem nyata, proses yang dipakai, tools, workflow, output, metric, dan pelajaran. Format case study: problem -> baseline -> solution -> workflow -> result -> screenshot/demo -> next improvement.

Untuk jasa, portfolio lebih penting daripada sertifikat. Client ingin melihat apakah kamu bisa menyelesaikan masalah mereka. Buat 3-5 case study fiktif tapi realistis jika belum punya client. Jelaskan bahwa itu demo project.

Case study yang bagus bisa dipakai untuk landing page service, pitch deck, thread X, proposal client, dan halaman portfolio.

Contoh biar kebayang

Case study “Dari 1 artikel jadi 12 konten”: input artikel 1500 kata, workflow repurpose, output 5 post X, 3 carousel, 2 video script, 1 newsletter, 1 infographic. Metric: waktu produksi turun dari 6 jam ke 90 menit.

Coba praktik

Pilih satu project.
Tulis problem dan baseline.
Dokumentasikan workflow.
Buat before-after.
Tulis case study 1 halaman.

Prompt yang bisa kamu coba

Bantu ubah project AI saya menjadi case study. Project: [project]. Isi: problem, target user, process, tools, workflow, deliverables, before-after, metric, screenshot yang perlu disiapkan, dan pitch singkat.

Beneran paham, atau cuma terasa familiar?

Jawab pakai bahasamu sendiri. Kalau masih muter-muter, bagian atasnya perlu dibaca sekali lagi.

1
Apa struktur case study yang bagus?
2
Kenapa before-after penting?
3
Apa beda portfolio dan sertifikat?

Bikin sesuatu dari lesson ini

Buat 1 case study lengkap dan 1 versi pendek untuk X/LinkedIn.

Catatan dan batasan

Buat portfolio builder untuk user course.
15. Capstone Projects
Tujuan capstone Capstone dipakai untuk memastikan peserta tidak hanya paham teori, tapi punya output nyata yang bisa dipakai sebagai portfolio atau produk awal.
Level | Project | Output final | Skill utama
Beginner | Personal AI OS | Prompt library, workflow, glossary pribadi, output archive | AI basics + prompting
Creator | AI Content Machine | 30-day content calendar, prompt system, repurpose workflow, analytics sheet | Content + workflow
Business | AI Support Bot Blueprint | FAQ, knowledge base, response template, escalation rule, no-code flow | Business + automation
Freelancer | AI Service Offer Kit | Service page, pricing, pitch, demo output, case study | Monetization
Builder | RAG Course Assistant | Docs schema, vector store plan, chatbot flow, evaluation test cases | RAG
Advanced | Multi-Agent Research Team | Researcher, writer, editor, evaluator, human approval, QA rubric | Agent orchestration
APPENDIX A - Use Case Library
Individu & Produktivitas
Belajar topik baru dengan tutor AI
Meringkas buku/artikel/PDF
Membuat CV dan cover letter
Latihan interview
Membuat jadwal belajar
Membuat personal budget plan
Membuat email penting
Menyusun travel plan
Membuat checklist keputusan
Membuat personal knowledge base
Content Creator
Riset trend
Membuat hook
Membuat thread/post X
Script short video
Carousel outline
Newsletter draft
Content repurpose
Analisis performa post
Analisis kompetitor
Membuat meme/visual brief
Bisnis & UMKM
Customer support FAQ
Katalog produk
Copy iklan
Landing page copy
WhatsApp response template
Invoice reminder
SOP admin
Analisis review customer
Campaign promo
Laporan mingguan
Freelancer & Agency
Proposal client
Cold email
Service page
Case study
Pricing tier
Client onboarding
Monthly report
Contract summary
Project brief
Delivery checklist
Developer/Builder
PRD app
Generate UI
Debug error
Code review
Unit test
API integration
Documentation
RAG chatbot
Agent spec
Deployment checklist
Web3
Protocol docs summary
Tokenomics breakdown
Governance proposal summary
Narrative mapping
KOL campaign plan
Community FAQ bot
Discord moderation SOP
Airdrop research
On-chain report simplification
Research-to-thread workflow
APPENDIX B - Prompt Library Siap Pakai
Nama prompt | Template
AI Tutor | Jelaskan [topik] dari nol untuk orang yang belum paham. Pakai analogi sederhana, contoh lokal Indonesia, kesalahan umum, dan latihan kecil di akhir.
Prompt Improver | Ubah prompt mentah ini menjadi prompt yang lebih jelas. Susun dengan task, context, goal, audience, format, constraints, examples, dan evaluation criteria. Prompt: [prompt].
Research Plan | Buat research plan untuk topik [topik]. Beri research question, keyword pencarian, jenis sumber yang dibutuhkan, risiko bias, dan format report.
Source Audit | Audit klaim berikut. Tandai klaim yang aman, perlu dicek, atau berisiko salah. Beri sumber yang harus dicari untuk verifikasi. Teks: [teks].
Content Angle | Buat 20 angle konten untuk topik [topik] bagi audience [audience]. Hindari angle generik. Format: hook, insight, why it matters, output format.
Hook Generator | Buat 30 hook untuk post X tentang [topik]. Gaya pendek, tajam, natural, tidak formal, tanpa hashtag.
Rewrite Natural ID | Rewrite teks ini agar natural Bahasa Indonesia, tidak kaku, tidak terasa terjemahan, dan cocok untuk [platform]. Teks: [teks].
Thread Builder | Ubah brief ini menjadi thread X 6-8 tweet. Hook kuat, flow jelas, no corporate tone, facts intact. Brief: [brief].
Workflow Builder | Ubah pekerjaan [pekerjaan] menjadi AI workflow: trigger, input, step, prompt tiap step, tools, review, output, dan metric.
Automation Blueprint | Rancang automation untuk [proses]. Isi trigger, condition, AI step, action, log, fallback, approval, dan risiko.
RAG Design | Rancang RAG chatbot untuk [dokumen/use case]. Isi data source, metadata, chunking, query examples, answer format, dan evaluation test.
Agent Spec | Rancang AI agent untuk [tujuan]. Isi role, tools, memory, state, allowed actions, forbidden actions, approval, dan failure mode.
Tool Selection | Pilih tools AI untuk task [task] dengan budget [budget]. Beri opsi terbaik, murah, aman, dan trade-off.
Offer Builder | Ubah skill [skill] menjadi jasa AI. Buat problem, target client, offer, deliverables, price tier, process, dan pitch.
Case Study | Ubah project [project] menjadi case study: problem, baseline, process, tools, result, before-after, metric, screenshot, dan pitch.
APPENDIX C - Workflow Recipes
Workflow | Steps | Cocok untuk
AI Content Machine | Riset trend -> angle -> hook -> draft -> edit voice -> visual brief -> publish -> analytics -> repurpose | Creator, marketer
AI Research Report | Question -> source search -> claim extraction -> verification -> synthesis -> report -> content derivatives | Researcher, creator
UMKM Support Bot | FAQ -> policy -> response template -> chatbot/no-code -> escalation -> log review | UMKM, agency
Lead Qualification | Form -> classify lead -> score -> CRM update -> personalized follow-up -> sales notification | Freelancer, business
Course Builder | Audience -> roadmap -> module -> lesson -> quiz -> project -> CMS upload -> AI assistant indexing | Educator
Web3 Docs to Thread | Docs -> concept extraction -> risk -> tokenomics -> narrative -> hook -> thread -> fact-check | Web3 creator
AI Design Pack | Brief -> moodboard -> image prompt -> generate -> layout -> export -> resize -> publish | Designer, creator
Newsletter System | Source list -> summarize -> cluster topics -> choose angle -> draft -> edit -> subject lines -> schedule | Creator, business
Internal Knowledge Base | Collect docs -> clean -> metadata -> chunk -> vector store -> chatbot -> evaluation -> update routine | Business, builder
Client Delivery System | Brief -> scope -> workflow -> draft output -> review -> revision -> final delivery -> case study | Freelancer
APPENDIX D - Project Bank
Level | Project | Deskripsi output
Beginner | Prompt Library Pribadi | Kumpulkan 30 prompt untuk pekerjaan harian, uji, dan beri rating.
Beginner | AI Glossary Bahasa Indonesia | Buat 50 istilah AI dengan definisi pendek dan contoh.
Beginner | Study Assistant | Buat sistem belajar satu topik: roadmap, flashcard, quiz, dan latihan.
Intermediate | Content Calendar 30 Hari | Buat kalender, hook, draft, visual brief, dan repurpose plan.
Intermediate | AI Newsletter System | Buat workflow newsletter dari riset sumber sampai final draft.
Intermediate | Client Proposal Generator | Buat prompt dan template untuk proposal jasa.
Intermediate | UMKM FAQ Bot Blueprint | Buat FAQ, policy, response style, dan escalation flow.
Advanced | RAG Chatbot dari PDF | Rancang ingestion, metadata, retrieval, answer format, dan test cases.
Advanced | AI Agent Researcher | Buat spec agent riset dengan tools, source rules, dan evaluator.
Advanced | Multi-Agent Content Team | Rancang researcher, writer, editor, fact-checker, dan publisher assistant.
Advanced | AI Automation for Leads | Buat no-code automation lead scoring dengan AI summary dan follow-up.
Pro | AI Microtool MVP | PRD, user flow, data model, prompt/API, landing page, dan monetization plan.
APPENDIX E - Glossary AI Bahasa Indonesia
Istilah | Definisi pendek
AI | Teknologi yang membuat mesin melakukan tugas yang biasanya butuh kecerdasan manusia.
Machine Learning | Cabang AI yang belajar pola dari data.
Deep Learning | Machine learning yang memakai neural network berlapis.
Generative AI | AI yang menghasilkan konten baru dari prompt.
Foundation Model | Model besar yang bisa menjadi dasar banyak aplikasi AI.
LLM | Large Language Model, model AI besar untuk memproses dan menghasilkan bahasa.
Token | Potongan teks yang dibaca model.
Context Window | Batas informasi yang bisa diproses model dalam satu request/percakapan.
Prompt | Instruksi atau input yang diberikan ke AI.
System Prompt | Instruksi dasar yang mengatur perilaku model/aplikasi.
Few-shot Prompting | Memberi beberapa contoh agar model mengikuti pola output.
Context Engineering | Merancang konteks, dokumen, tools, dan memory agar AI bekerja lebih baik.
Hallucination | Output AI yang salah atau tidak berdasar tapi terdengar meyakinkan.
Embedding | Representasi numerik dari teks/gambar untuk pencarian kemiripan.
Vector Database | Database untuk menyimpan dan mencari embedding.
RAG | Teknik mengambil informasi dari knowledge base lalu memakai LLM untuk menjawab.
Chunking | Memecah dokumen menjadi potongan kecil untuk retrieval.
Retrieval | Proses mencari konteks/dokumen relevan.
Tool Calling | Kemampuan AI memanggil fungsi/tool eksternal.
Agent | Aplikasi AI yang bisa merencanakan, memakai tools, dan menyelesaikan task multi-step.
Orchestration | Pengaturan alur kerja agent, tools, state, dan handoff.
Guardrails | Batasan dan aturan keamanan untuk output/action AI.
Human-in-the-loop | Manusia tetap masuk dalam proses review/approval.
Webhook | Notifikasi otomatis dari satu aplikasi ke aplikasi lain saat event terjadi.
API | Jembatan agar aplikasi bisa saling bertukar data/fungsi.
Rate Limit | Batas jumlah request dalam periode tertentu.
Fine-tuning | Melatih ulang/menyesuaikan model pada data tertentu.
Inference | Proses model menghasilkan output dari input.
Multimodal | Kemampuan AI memproses lebih dari teks, misalnya gambar/audio/video.
Evaluation | Proses menilai kualitas output atau sistem AI.
APPENDIX F - Quiz Bank dan Rubrik
Topik | Pertanyaan | Jawaban inti
AI Fundamentals | Jelaskan beda AI, ML, DL, dan GenAI dengan contoh. | AI payung besar; ML belajar dari data; DL neural network; GenAI membuat konten baru.
GenAI | Kenapa GenAI bisa hallucinate? | Model memprediksi pola bahasa, bukan selalu mengambil fakta dari database valid.
Prompting | Sebutkan komponen prompt yang bagus. | Task, context, goal, audience, format, constraints, examples, evaluation.
Research | Apa beda sumber primer dan sekunder? | Primer berasal dari pihak asal/data resmi; sekunder adalah interpretasi pihak lain.
Workflow | Apa beda prompt dan workflow? | Prompt instruksi tunggal; workflow rangkaian proses berulang.
Automation | Apa itu trigger dan action? | Trigger pemicu; action tindakan yang dijalankan.
RAG | Sebutkan pipeline RAG. | Dokumen -> chunk -> embedding -> vector store -> retrieval -> generation -> citation/evaluation.
Agent | Apa beda chatbot dan agent? | Chatbot menjawab; agent bisa menjalankan task multi-step dengan tools/state.
Safety | Apa itu prompt injection? | Input yang mencoba mengubah instruksi/perilaku model secara tidak sah.
Monetization | Sebutkan 5 cara monetize skill AI. | Jasa, template, automation, chatbot, training, microtool, consulting.
APPENDIX G - CMS Schema Detail
Collection | Field | Type | Catatan
lessons | id | string | slug unik, contoh ai-literacy-apa-itu-ai
lessons | module_id | string | relasi ke module
lessons | title | string | judul lesson
lessons | summary | text | ringkasan 1-2 paragraf
lessons | content_blocks | json | heading, paragraph, table, prompt, quiz, assignment
lessons | level | enum | beginner/intermediate/advanced/pro
lessons | persona | array | creator, business, freelancer, developer, web3
lessons | estimated_minutes | number | durasi belajar
lessons | quiz_ids | array | relasi quiz
lessons | project_ids | array | relasi project
prompts | variables | json | field yang harus diisi user
tools | pricing | enum | free/freemium/paid/enterprise
workflows | steps | json | step-by-step recipe
projects | rubric | json | criteria grading
glossary | related_lessons | array | untuk internal linking
sources | url | string | referensi primer/tepercaya
References dan Sumber Tepercaya
Sumber | Dipakai untuk | URL
IBM - What is Generative AI? | Definisi generative AI dan contoh foundation model | https://www.ibm.com/think/topics/generative-ai
Microsoft Learn - Introduction to generative AI and agents | Fundamental GenAI, LLM, prompt, agents | https://learn.microsoft.com/en-us/training/modules/fundamentals-generative-ai/
Google Skills - Introduction to Generative AI | Learning path GenAI, LLM, prompt design, responsible AI | https://www.skills.google/paths/118
DeepLearning.AI - Generative AI for Everyone | GenAI untuk pekerjaan harian dan beyond prompting | https://www.deeplearning.ai/courses/generative-ai-for-everyone
OpenAI API Docs - Prompt Engineering/Prompt Guidance | Best practice prompting dan penggunaan model modern | https://developers.openai.com/api/docs/guides/prompt-engineering
Anthropic Docs - Prompt Engineering Overview | Struktur prompt, examples, dan strategi Claude | https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/overview
Anthropic Engineering - Effective context engineering for AI agents | Context engineering sebagai perkembangan dari prompting | https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
AWS - What is RAG? | Definisi dan alur Retrieval-Augmented Generation | https://aws.amazon.com/what-is/retrieval-augmented-generation/
OpenAI API Docs - Vector embeddings | Embedding untuk search, clustering, dan retrieval | https://developers.openai.com/api/docs/guides/embeddings
OpenAI Agents SDK | Agent sebagai aplikasi yang merencanakan, memakai tools, dan menjaga state | https://developers.openai.com/api/docs/guides/agents
OpenAI Agents SDK - Tools | Tools untuk agent mengambil aksi eksternal | https://openai.github.io/openai-agents-python/tools/
LangChain Docs - Multi-agent | Pola multi-agent, router, custom workflow, LangGraph | https://docs.langchain.com/oss/python/langchain/multi-agent
LangGraph | Framework orchestration untuk stateful agents | https://www.langchain.com/langgraph
OWASP Top 10 for LLM Applications | Risiko LLM: prompt injection, data leakage, excessive agency, dll. | https://owasp.org/www-project-top-10-for-large-language-model-applications/
NIST AI Risk Management Framework | Framework risiko dan trustworthiness AI | https://www.nist.gov/itl/ai-risk-management-framework
Google People + AI Guidebook | Panduan desain produk AI yang human-centered | https://pair.withgoogle.com/guidebook/
Catatan final untuk produksi website
Dokumen ini sudah cukup untuk dijadikan basis course dan content database. Untuk produksi website, langkah berikutnya adalah mengubah setiap lesson menjadi JSON/MDX, membuat CMS schema, menghubungkan prompt library dan workflow library, lalu menambahkan progress tracker, quiz, dan AI assistant berbasis RAG dari materi course.
Checklist tambahan: service packaging.
Checklist tambahan: scope dan pricing.
Checklist tambahan: proposal dan delivery.
Checklist tambahan: maintenance, outreach, dan capstone rubric.

Langkah berikutnya

Simpan hasil latihan, cek kembali dengan rubric sederhana, lalu lanjut ke lesson berikutnya saat output sudah bisa dijelaskan ulang.

rag embedding vector database ai agent

Kembali ke course