Portofolio AI Engineer: Project Apa yang Harus Ada di Dalamnya?

Sertifikat bootcamp AI sudah di tangan, CV sudah dirapikan, tapi tetap tidak ada panggilan interview. Ini masalah yang dialami banyak career switcher yang baru masuk ke dunia AI Engineering. Penyebabnya sering bukan karena skill kurang, tapi karena tidak ada yang bisa dilihat recruiter untuk membuktikan skill itu benar-benar ada.

Portofolio AI Engineer adalah kumpulan project nyata yang menunjukkan kemampuan seseorang membangun sistem AI yang benar-benar berjalan, bukan sekadar mengikuti tutorial. Portofolio berfungsi sebagai bukti kerja yang lebih dipercaya recruiter dibanding sertifikat, dan dipakai sebagai bahan penyaringan sebelum kandidat masuk ke tahap interview teknis.

Pertanyaannya bukan lagi “apakah saya butuh portofolio”, tapi “project apa saja yang harus ada di dalamnya agar benar-benar dilirik”. Itu yang akan dibahas tuntas di artikel ini.

Apa Itu Portofolio AI Engineer dan Kenapa Penting?

Portofolio AI Engineer adalah kumpulan project teknis yang didokumentasikan dan bisa diakses publik, biasanya lewat GitHub atau platform serupa, yang menunjukkan bagaimana seseorang merancang, membangun, dan menguji sistem berbasis AI. Bedanya dengan sekadar “belajar AI” adalah portofolio menuntut hasil akhir yang bisa dilihat dan dicoba orang lain, bukan hanya catatan belajar.

Recruiter dan hiring manager di posisi AI Engineer punya waktu terbatas untuk menilai kandidat. Screening resume biasanya hanya berlangsung beberapa detik, sementara repository GitHub yang berisi kode berjalan dan demo langsung mendapat perhatian yang jauh lebih lama. Ini bukan soal recruiter tidak percaya sertifikat, tapi karena sertifikat hanya membuktikan seseorang mengikuti kelas, sedangkan portofolio membuktikan seseorang bisa mengeksekusi.

Bedanya Portofolio dengan Sertifikat atau CV Biasa

Sertifikat menunjukkan bahwa seseorang sudah menyelesaikan materi pembelajaran tertentu. CV menunjukkan riwayat pengalaman dan skill yang diklaim sendiri oleh kandidat. Portofolio berbeda karena sifatnya dapat diverifikasi. Recruiter bisa membuka kode, menjalankan aplikasi, membaca dokumentasi, dan menilai langsung kualitas kerja seseorang tanpa harus percaya begitu saja pada klaim di CV.

Untuk career switcher yang baru pindah dari bidang non-IT, portofolio jadi jauh lebih penting lagi. Tanpa pengalaman kerja formal di bidang teknologi, portofolio adalah satu-satunya bukti konkret yang bisa ditunjukkan ke calon pemberi kerja.

Berapa Banyak Project yang Idealnya Ada di Portofolio?

Tidak ada angka pasti yang berlaku untuk semua orang, tapi ada patokan yang bisa dipakai berdasarkan sejauh mana seseorang sudah siap melamar kerja.

Level	Jumlah Project	Karakteristik
Pemula (baru mulai belajar)	2-3 project dasar	Fokus pada satu skill inti per project, belum wajib di-deploy, cukup berjalan di lokal atau notebook
Siap melamar kerja	3-5 project inti	Minimal satu project sudah di-deploy dan bisa diakses publik, ada dokumentasi lengkap dan hasil terukur

Prinsip yang lebih penting dari sekadar jumlah adalah kedalaman. Satu project yang dibangun matang, sudah diuji, dan bisa diakses siapa saja jauh lebih bernilai dibanding sepuluh notebook eksperimen yang tidak pernah selesai. Recruiter lebih tertarik melihat bagaimana seseorang berpikir menyelesaikan satu masalah secara menyeluruh, dibanding melihat banyak project setengah jadi yang menunjukkan ketidakkonsistenan.

7 Jenis Project Wajib di Portofolio AI Engineer

Ketujuh jenis project ini disusun dari yang paling dasar sampai yang paling kompleks. Tidak semua orang perlu membangun ketujuhnya sekaligus, tapi semakin banyak yang berhasil diselesaikan dengan baik, semakin kuat sinyal yang diberikan ke recruiter.

1. Chatbot atau Asisten Berbasis LLM

Ini project paling dasar sekaligus paling wajib dimiliki. Chatbot berbasis large language model (LLM) menunjukkan kemampuan seseorang menghubungkan aplikasi ke API model AI, mengatur percakapan multi-turn, dan mengelola konteks agar chatbot bisa “mengingat” percakapan sebelumnya.

Yang membedakan project ini terlihat serius atau tidak adalah penanganan memory percakapan dan penanganan kesalahan ketika API gagal merespons. Chatbot yang hanya bisa menjawab satu kali tanpa konteks percakapan dianggap terlalu sederhana untuk portofolio yang siap kerja.

2. RAG (Retrieval-Augmented Generation) Knowledge Assistant

RAG adalah teknik yang memungkinkan LLM menjawab pertanyaan berdasarkan dokumen atau data spesifik, bukan hanya dari data latihannya. Alurnya dimulai dari memecah dokumen menjadi bagian kecil (chunking), mengubah tiap bagian menjadi representasi angka yang disebut embeddings, menyimpannya di vector database, lalu mencari bagian yang paling relevan saat ada pertanyaan masuk untuk dijadikan konteks jawaban.

Project RAG termasuk salah satu yang paling dihargai recruiter karena membuktikan pemahaman tentang bagaimana membuat AI benar-benar berguna untuk kebutuhan spesifik, bukan sekadar memanggil API dan menampilkan jawaban mentah. Contoh implementasinya bisa berupa asisten yang menjawab pertanyaan berdasarkan dokumen internal perusahaan, kumpulan artikel, atau kebijakan tertentu, lengkap dengan sumber kutipan dari mana jawaban itu diambil.

3. AI Agent dengan Tool Use atau Function Calling

AI agent adalah sistem yang bisa mengambil tindakan secara mandiri menggunakan sejumlah tool, bukan hanya menjawab teks. Konsepnya, model diberi akses ke fungsi tertentu, seperti mencari data di database, memanggil API eksternal, atau menjalankan perhitungan, lalu model yang memutuskan tool mana yang perlu dipanggil untuk menyelesaikan tugas.

Project agent yang solid harus bisa menangani skenario gagal, misalnya ketika tool yang dipanggil tidak merespons atau ketika model terjebak dalam loop yang tidak berujung. Menunjukkan penanganan kegagalan ini justru menjadi nilai plus, karena membuktikan pemahaman bahwa membangun agent tidak berhenti di “demo yang berhasil sekali coba”.

4. Sistem Evaluasi (Evaluation Pipeline)

Ini jenis project yang paling sering dilewatkan pemula, padahal jadi salah satu pembeda paling kuat di antara kandidat. Evaluation adalah cara mengukur kualitas output AI secara sistematis, misalnya apakah jawaban yang dihasilkan akurat, relevan dengan pertanyaan, dan benar-benar berdasarkan konteks yang diberikan (bukan halusinasi).

Project evaluation bisa dibangun di atas project RAG atau chatbot yang sudah dibuat sebelumnya. Contohnya, buat kumpulan pertanyaan dengan jawaban yang sudah diketahui benar, lalu ukur seberapa akurat sistem menjawabnya. Kandidat yang bisa menunjukkan cara mengukur kualitas sistem AI-nya sendiri menandakan pemahaman yang lebih matang dibanding sekadar membangun demo yang terlihat bagus.

5. Deployed AI API, Aplikasi yang Benar-Benar Live

Project yang hanya bisa dijalankan di komputer sendiri atau di notebook memiliki nilai yang jauh lebih rendah dibanding project yang sudah di-deploy dan bisa diakses siapa saja lewat internet. Proses deployment biasanya melibatkan pembungkusan sistem AI menjadi API menggunakan framework seperti FastAPI, lalu menjalankannya di layanan cloud.

Deployment membuktikan pemahaman yang melampaui sekadar coding, mencakup bagaimana mengelola environment variable, menangani error di lingkungan produksi, dan memastikan aplikasi tetap berjalan stabil saat diakses banyak orang. Recruiter yang bisa langsung membuka link dan mencoba aplikasi jauh lebih terkesan dibanding hanya membaca kode di repository.

6. Automation Workflow atau Integrasi AI ke Proses Bisnis

Project jenis ini menunjukkan kemampuan menerapkan AI untuk menyelesaikan masalah operasional yang konkret, bukan sekadar demo teknis. Contohnya, sistem yang otomatis merangkum email masuk, otomasi yang mengklasifikasikan tiket customer support berdasarkan urgensinya, atau workflow yang menghasilkan laporan otomatis dari data mentah.

Project automation workflow sering dianggap lebih relevan oleh perusahaan dibanding project riset murni, karena langsung menunjukkan bagaimana AI dipakai menyelesaikan masalah bisnis nyata, sesuatu yang paling dicari perusahaan saat merekrut AI Engineer.

7. Studi Kasus atau Real Project Bareng Industri

Project yang dikerjakan bersama mentor praktisi industri, bukan dikerjakan sendirian dari nol, punya nilai tambah tersendiri karena sudah melalui proses review dan standar yang dipakai di dunia kerja sesungguhnya. Di AI Engineering Bootcamp Rework Academy misalnya, peserta mengerjakan AI Project for Enterprise, sebuah studi kasus selama tiga minggu yang dibimbing langsung oleh mentor praktisi dari perusahaan seperti Telkom Indonesia, BCA Digital, dan Amar Bank.

Jenis project seperti ini memberi dua keuntungan sekaligus. Pertama, standar teknisnya sudah divalidasi oleh orang yang benar-benar bekerja di industri, bukan sekadar mengikuti template dari internet. Kedua, prosesnya melatih kemampuan bekerja dengan masukan dan revisi, sesuatu yang jarang didapat kalau membangun project sendirian tanpa pembimbing.

Kesalahan Umum yang Bikin Portofolio Diabaikan Recruiter

Beberapa kesalahan ini sering muncul di portofolio pemula dan bisa membuat usaha yang sudah dibangun jadi kurang maksimal di mata recruiter.

1. Project generik hasil clone tutorial. Membuat ulang project yang persis sama dengan tutorial YouTube atau kursus online tanpa modifikasi apa pun menunjukkan kemampuan mengikuti instruksi, bukan kemampuan menyelesaikan masalah.
2. Tidak pernah di-deploy. Project yang hanya bisa dijalankan di komputer sendiri sulit dinilai recruiter yang tidak punya waktu untuk setup environment orang lain.
3. Tanpa dokumentasi yang jelas. Repository tanpa penjelasan apa yang dikerjakan, kenapa dikerjakan, dan bagaimana hasilnya membuat recruiter kesulitan menilai kualitas kerja di baliknya.
4. Tidak ada metrik atau hasil terukur. Klaim seperti “chatbot ini bagus” tanpa angka pendukung, misalnya tingkat akurasi jawaban atau kecepatan respons, terasa kurang meyakinkan.
5. Terlalu banyak project setengah jadi. Repository yang penuh dengan project yang tidak pernah selesai memberi kesan kurang konsisten, dibanding sedikit project yang benar-benar tuntas.

Cara Mendokumentasikan Project agar Terlihat Profesional

Bagaimana cara mendokumentasikan project AI agar mudah dinilai recruiter? Dokumentasi yang baik dimulai dari file README yang menjelaskan masalah yang diselesaikan, cara kerja sistem, teknologi yang dipakai, dan hasil yang dicapai, ditulis singkat namun lengkap agar bisa dipahami tanpa harus membaca seluruh kode.

Struktur README yang efektif biasanya mencakup lima bagian berikut.

1. Masalah yang diselesaikan. Jelaskan konteks singkat, kenapa project ini dibuat dan masalah apa yang coba dijawab.
2. Cara kerja sistem. Gambarkan alur singkat, misalnya untuk project RAG, jelaskan proses dari input dokumen sampai jawaban dihasilkan.
3. Tech stack yang dipakai. Sebutkan bahasa pemrograman, framework, dan tools utama, misalnya Python, LangChain, atau FastAPI.
4. Hasil dan metrik. Sertakan angka konkret jika ada, seperti tingkat akurasi evaluasi atau waktu respons rata-rata.
5. Demo atau link akses. Kalau project sudah di-deploy, sertakan link langsung. Kalau belum, sertakan video demo singkat sebagai penggantinya.

Dokumentasi yang rapi sering kali membuat perbedaan lebih besar dibanding kerumitan project itu sendiri, karena recruiter menilai project dari apa yang bisa mereka pahami dalam waktu singkat.

Dimana Menampilkan Portofolio AI Engineer?

Dimana sebaiknya portofolio AI Engineer ditampilkan? GitHub adalah platform wajib untuk menampilkan kode dan dokumentasi teknis, sementara LinkedIn berperan penting untuk meningkatkan visibilitas project ke recruiter yang aktif mencari kandidat.

Platform	Fungsi Utama
GitHub	Wajib. Tempat menyimpan kode, README, dan riwayat commit yang menunjukkan proses kerja
LinkedIn	Sangat disarankan. Tempat membagikan progres project agar terlihat recruiter yang aktif melakukan sourcing kandidat
Portfolio website	Opsional, nilai tambah. Cocok untuk menampilkan project secara lebih visual dan profesional dibanding sekadar link repository

Kombinasi ketiganya memberi kesan paling lengkap, tapi kalau harus memilih satu yang paling wajib, GitHub adalah prioritas pertama karena di situlah recruiter benar-benar bisa memeriksa kualitas kode dan cara berpikir teknis seorang kandidat.

Bikin Portofolio Sendiri vs Dibimbing Mentor Industri

Kedua jalur ini sama-sama bisa menghasilkan portofolio yang kuat, tapi punya trade-off yang berbeda dan perlu dipertimbangkan sesuai kondisi masing-masing.

Aspek	Bikin Sendiri (Otodidak)	Dibimbing Mentor Industri
Kecepatan menentukan arah project	Lebih lambat, sering trial and error mencari ide project yang relevan	Lebih cepat, project sudah dirancang mengikuti standar kebutuhan industri
Validasi kualitas	Tidak ada validasi eksternal, sulit tahu apakah project sudah cukup standar	Ada review langsung dari praktisi yang bekerja di perusahaan seperti Bank Mandiri, BCA Digital, dan Tiket.com
Fleksibilitas waktu	Sepenuhnya fleksibel, tapi rawan tertunda tanpa struktur	Terjadwal, cocok untuk yang butuh disiplin belajar sambil tetap bekerja
Biaya	Umumnya gratis, hanya butuh waktu belajar	Ada investasi, tapi hasil akhirnya berupa project yang sudah teruji
Cocok untuk	Yang sudah punya dasar programming dan waktu luang cukup banyak	Career switcher non-IT yang ingin arah lebih terstruktur tanpa membuang waktu mencoba-coba sendiri

Tidak ada jalur yang mutlak lebih baik. Yang perlu dipertimbangkan adalah seberapa banyak waktu yang dimiliki dan seberapa penting validasi eksternal terhadap kualitas project yang dibangun. Bagi yang masih bekerja penuh waktu dan ingin memastikan project portofolionya benar-benar sesuai standar yang dicari perusahaan, AI Engineering Bootcamp dari Rework Academy dirancang khusus untuk kebutuhan ini, dengan kelas malam via Zoom dua kali seminggu dan output akhir berupa AI Project for Enterprise yang dibimbing langsung mentor praktisi industri. Info lengkap program bisa dicek di reworkacademy.com/ai-engineering-bootcamp.

FAQ Seputar Portofolio AI Engineer

Apakah portofolio AI Engineer wajib punya project yang sudah di-deploy? Tidak wajib untuk pemula, tapi sangat disarankan untuk yang sudah siap melamar kerja. Minimal satu project yang bisa diakses publik akan jauh meningkatkan kepercayaan recruiter dibanding project yang hanya berjalan di komputer sendiri.

Apakah saya perlu background IT untuk membangun portofolio AI Engineer? Tidak. Banyak career switcher dari bidang non-IT berhasil membangun portofolio AI Engineer dengan mempelajari Python dan dasar-dasar LLM terlebih dahulu, baru kemudian masuk ke project yang lebih kompleks seperti RAG dan agent.

Berapa lama waktu yang dibutuhkan untuk membangun portofolio yang siap dipakai melamar kerja? Tergantung dari titik awal masing-masing orang, tapi umumnya butuh beberapa bulan konsisten belajar dan mengerjakan project, terutama jika belajar sambil tetap bekerja penuh waktu.

Apakah project di portofolio harus selalu berkaitan dengan LLM? Tidak selalu, tapi karena AI Engineer di 2026 identik dengan pekerjaan seputar LLM, RAG, dan agent, project yang menyentuh area ini akan lebih relevan dengan kebutuhan hiring saat ini dibanding project machine learning klasik saja.

Apakah cukup punya satu project RAG yang bagus tanpa project lain? Satu project RAG yang solid dan terdokumentasi rapi jauh lebih baik dibanding banyak project setengah jadi, tapi portofolio yang lebih kuat tetap disarankan memiliki variasi project, misalnya ditambah satu project agent atau evaluation pipeline.

Apakah GitHub satu-satunya platform yang wajib dipakai untuk portofolio? GitHub adalah yang paling wajib karena jadi tempat utama recruiter memeriksa kode, tapi menambahkan LinkedIn untuk visibilitas dan portfolio website untuk presentasi visual bisa memperkuat kesan profesional secara keseluruhan.

Kesimpulan

Portofolio AI Engineer yang meyakinkan bukan soal seberapa banyak project yang dipajang, tapi seberapa nyata masalah yang berhasil diselesaikan dan seberapa jelas cara itu didokumentasikan. Chatbot, RAG, agent, evaluation pipeline, deployed API, automation workflow, dan studi kasus nyata bareng industri adalah tujuh jenis project yang paling dicari recruiter saat menilai kandidat AI Engineer, terutama yang baru beralih karier dari bidang non-IT.

Kalau proses membangun portofolio ini terasa berat dikerjakan sendirian sambil tetap bekerja penuh waktu, AI Engineering Bootcamp dari Rework Academy bisa jadi jalan yang lebih terarah. Lewat kelas malam via Zoom dua kali seminggu dan output akhir AI Project for Enterprise yang dibimbing mentor praktisi industri, portofolio yang dihasilkan bukan sekadar latihan, tapi project yang benar-benar sesuai standar yang dicari perusahaan. Cek detail programnya di reworkacademy.com/ai-engineering-bootcamp.