Ramai pelajar sains data dan kecerdasan buatan (AI) di Malaysia memilih tajuk projek perisian atau model pembelajaran mesin kerana ia kedengaran menarik, kemudian tersekat di Bab 3 kerana tidak tahu bagaimana menstrukturkan sesuatu yang bukan kajian soal selidik biasa. Panduan ini menerangkan struktur tesis projek perisian sains data/AI yang diterima fakulti komputeran Malaysia, apa yang pemeriksa harapkan pada demonstrasi, dan sebab paling lazim projek sebegini ditolak — supaya anda boleh merancang dari awal, bukan membetulkannya pada minggu terakhir.
Tesis projek perisian berbeza daripada tesis berasaskan soal selidik dari segi bukti: bukti anda bukan nilai-p, tetapi sistem yang berfungsi, model yang boleh dinilai, dan keputusan reka bentuk yang boleh anda pertahankan. Ramai pelajar tersilap menggunakan struktur bab kajian kuantitatif biasa untuk projek sebegini, dan itulah punca kekeliruan di Bab 3 apabila mereka cuba memuatkan konsep “populasi” dan “sampel” ke dalam projek yang sebenarnya tidak melibatkan responden manusia langsung.
Apakah bentuk projek perisian sains data/AI yang lazim diterima?
Tiga bentuk paling kerap diterima fakulti komputeran dan sains data Malaysia untuk FYP atau projek tahun akhir: pertama, model pembelajaran mesin yang menyelesaikan masalah klasifikasi, ramalan atau pengelompokan tertentu, dinilai berbanding set data dan penanda aras yang jelas; kedua, sistem atau aplikasi berasaskan data yang membina saluran paip data (data pipeline) daripada pengumpulan hingga papan pemuka atau antara muka pengguna; ketiga, kajian perbandingan beberapa algoritma atau model bagi masalah yang sama, dengan analisis prestasi terperinci. Pilih bentuk yang sepadan dengan kekuatan anda — projek pembangunan sistem menuntut kemahiran kejuruteraan perisian yang kukuh, manakala projek model pembelajaran mesin menuntut kefahaman statistik dan penilaian model yang lebih mendalam.
Bagaimana struktur tesis berbeza daripada kajian soal selidik biasa?
Bab 1 dan Bab 2 kekal serupa — pengenalan, pernyataan masalah dan sorotan literatur — tetapi Bab 3 menukar fokus daripada “metodologi kajian” kepada “metodologi pembangunan”: sumber dan penyediaan data, seni bina sistem atau model, kaedah dan metrik penilaian yang akan digunakan, serta alat dan teknologi yang dipilih beserta justifikasinya. Bab 4 menggantikan “keputusan kajian” dengan “pelaksanaan dan penilaian”: skrin sistem yang berfungsi, keputusan penilaian model berbanding penanda aras, ujian kes dengan hasil lulus dan gagal, dan analisis ralat yang menerangkan di mana serta mengapa sistem atau model tersilap. Bab 5 kekal sebagai perbincangan dan kesimpulan, tetapi perbincangan kini menghubungkan keputusan teknikal dengan implikasi praktikal, bukan menguji hipotesis statistik.
Apakah yang pemeriksa harapkan pada demonstrasi atau ujian sistem?
Pemeriksa projek perisian mengharapkan demonstrasi langsung yang berfungsi, bukan sekadar slaid atau video prarakam — sediakan sistem dalam keadaan boleh dijalankan pada hari pembentangan, dengan pelan sandaran (video demo, tangkapan skrin) sekiranya berlaku masalah teknikal luar jangka. Bagi projek model pembelajaran mesin, sediakan jawapan yang jelas untuk soalan yang hampir pasti ditanya: mengapa algoritma ini dipilih berbanding alternatif, bagaimana data dibahagikan untuk latihan dan ujian, apakah metrik penilaian yang digunakan dan mengapa metrik itu sesuai untuk masalah anda, serta had model apabila diuji pada data di luar taburan latihan. Jawapan “kerana ia memberikan ketepatan tertinggi” tanpa penjelasan lanjut jarang memuaskan pemeriksa yang berpengalaman, yang biasanya menyoal lanjut sehingga anda menyebut trade-off sebenar di sebalik pilihan itu.
Apakah kesilapan yang paling kerap menyebabkan projek ditolak atau dikembalikan?
Lima kesilapan berulang. Skop terlalu ambisius — membina sistem lengkap dengan pelbagai ciri dalam masa satu semester, mengakibatkan setiap bahagian separuh siap. Tiada penanda aras atau perbandingan — melaporkan ketepatan model tanpa membandingkannya dengan mana-mana garis dasar (baseline) atau kaedah sedia ada, jadi pemeriksa tidak dapat menilai sama ada prestasi itu benar-benar baik. Tiada analisis ralat — melaporkan metrik keseluruhan tanpa meneliti kes-kes yang gagal, sedangkan analisis kes gagal sering menjadi bahagian paling bernilai dalam perbincangan. Data yang tidak sah atau bocor (data leakage) — data ujian yang secara tidak sengaja mempengaruhi latihan model, menghasilkan keputusan yang kelihatan hebat tetapi tidak boleh dipercayai. Dan kod yang tidak boleh dijalankan semula oleh sesiapa selain pembangun asal, kerana pergantungan (dependencies) tidak didokumentasikan dengan jelas.
Bagaimana saya memilih tajuk projek yang tepat sejak awal?
Tajuk projek sains data/AI yang kuat menggabungkan tiga elemen: masalah sebenar yang boleh anda jelaskan dalam satu ayat, set data atau sumber data yang benar-benar boleh anda akses, dan skop yang boleh disiapkan dalam satu semester tanpa memerlukan pengkomputeran yang di luar kemampuan makmal fakulti anda. Senarai cadangan tajuk projek tahun akhir mengikut fakulti turut memuatkan beberapa idea di bawah kelompok sains komputer dan teknologi maklumat yang boleh disesuaikan menjadi projek sains data atau AI dengan menambah komponen pemodelan atau saluran paip data. Selepas tajuk dipilih, tulis objektif dan persoalan kajian dengan tajam — panduan kami tentang objektif, persoalan dan hipotesis kajian tesis memberikan struktur yang boleh disesuaikan daripada bidang pendidikan kepada projek teknikal, walaupun “hipotesis” dalam projek perisian sering digantikan dengan sasaran prestasi yang jelas (contohnya, model mencapai ketepatan melebihi garis dasar sebanyak margin tertentu).
Bagaimana saya mengelakkan skop terlalu luas?
Tetapkan satu keupayaan teras yang mesti berfungsi sepenuhnya, dan senaraikan ciri tambahan sebagai “jika masa mengizinkan” secara eksplisit dalam cadangan anda — ini membolehkan anda menunjukkan kemajuan yang jelas walaupun ciri tambahan tidak sempat disiapkan. Semak kemajuan setiap dua minggu berbanding pelan asal anda, dan jika keupayaan teras belum berfungsi menjelang pertengahan semester, potong ciri tambahan tanpa teragak-agak dan fokus sepenuhnya pada keupayaan teras itu. Sistem kecil yang berfungsi sepenuhnya dinilai jauh lebih baik berbanding sistem besar yang separuh siap. Panduan jadual siapkan tesis dalam satu semester memberikan pelan 14 minggu yang boleh disesuaikan untuk projek pembangunan: peruntukkan minggu-minggu awal untuk penyediaan data dan seni bina asas, blok tengah untuk pembangunan keupayaan teras, dan minggu-minggu akhir khusus untuk penilaian, analisis ralat dan penulisan laporan — bukan pembangunan ciri baharu pada saat akhir.
Bagaimana rupa contoh struktur Bab 3 dan Bab 4 yang lengkap?
Bagi projek model pembelajaran mesin, Bab 3 biasanya merangkumi: sumber dan saiz set data, langkah pra-pemprosesan (pembersihan, pengekodan pemboleh ubah kategori, penskalaan), nisbah pembahagian latihan-pengesahan-ujian, senarai algoritma yang dibandingkan beserta sebab pemilihan setiap satu, dan metrik penilaian (ketepatan, F1-score, RMSE, atau metrik lain mengikut jenis masalah) beserta justifikasi mengapa metrik itu sesuai. Bab 4 kemudian melaporkan jadual perbandingan prestasi setiap algoritma, graf lengkung pembelajaran atau matriks kekeliruan (confusion matrix), analisis kes yang model ramal salah, dan perbincangan ringkas tentang trade-off antara ketepatan dan kebolehjelasan model. Bagi projek pembangunan sistem, Bab 3 menggantikan senarai algoritma dengan gambar rajah seni bina sistem, senarai teknologi (bahasa pengaturcaraan, kerangka kerja, pangkalan data) beserta sebab pemilihan, dan reka bentuk pangkalan data atau struktur data utama; Bab 4 melaporkan skrin fungsi utama, jadual ujian kes berserta hasil lulus/gagal, dan ujian kebolehgunaan ringkas jika masa mengizinkan.
Apakah pertimbangan etika yang perlu dinyatakan untuk projek AI?
Jika projek anda menggunakan data peribadi atau sensitif — rekod kesihatan, data kewangan, imej wajah — nyatakan bagaimana data itu diperoleh, sama ada ia dianonimkan, dan kelulusan etika yang diperoleh jika berkenaan. Jika model anda membuat keputusan yang menjejaskan orang sebenar (kelayakan, pemarkahan, saringan), nyatakan bias yang berpotensi wujud dalam data latihan dan langkah yang diambil untuk mengesan atau menguranginya, walaupun langkah itu terhad. Pemeriksa semakin peka terhadap soalan etika AI, dan mengakui had anda secara jujur jauh lebih kukuh berbanding mendakwa sistem anda bebas bias tanpa bukti. Jika projek anda menggunakan alat AI generatif untuk membantu menulis kod atau laporan, nyatakan dengan jelas bahagian mana yang dibantu AI dan bahagian mana hasil kerja asli anda sendiri, mengikut polisi integriti akademik fakulti anda — ketelusan ini melindungi anda daripada tuduhan plagiarisme atau penipuan akademik yang boleh timbul jika penggunaan alat AI tidak diisytiharkan.
Bina projek dan tulis laporannya dengan pantas, tanpa menipu diri sendiri
Menulis laporan projek perisian yang jelas — menghubungkan keputusan reka bentuk dengan justifikasi, keputusan penilaian dengan tafsiran — mengambil masa yang sering dianggap remeh sehingga tarikh akhir menghampiri. Tesify membantu anda menyusun laporan itu bahagian demi bahagian: terangkan seni bina sistem atau model anda, keputusan penilaian, dan had yang anda temui, dan ia memulangkan draf berstruktur dalam format yang diharapkan fakulti komputeran Malaysia, dengan anda kekal sebagai penulis yang bertanggungjawab sepenuhnya atas setiap dakwaan teknikal — aliran kerja yang sama diterangkan dalam panduan menulis tesis dengan AI tanpa melanggar etika, yang relevan khususnya bagi projek AI kerana anda perlu mempertahankan setiap keputusan reka bentuk model di viva.
Susun laporan projek sains data/AI anda di Tesify
Soalan lazim
Bolehkah saya menggunakan set data awam sedia ada, atau perlukah saya mengumpul data sendiri?
Kedua-duanya diterima; set data awam menjimatkan masa dan membenarkan anda fokus pada pemodelan, manakala data yang dikumpul sendiri menunjukkan usaha tambahan tetapi memerlukan masa pengumpulan yang mencukupi. Semak keperluan fakulti anda.
Berapa tinggi ketepatan model yang diperlukan untuk lulus?
Tiada angka tetap; pemeriksa menilai proses, justifikasi dan analisis anda, bukan semata-mata satu nombor ketepatan. Model dengan ketepatan sederhana tetapi dianalisis mendalam sering dinilai lebih baik daripada model berketepatan tinggi tanpa analisis.
Perlukah saya membina antara muka pengguna (UI) lengkap untuk projek model pembelajaran mesin?
Tidak semestinya; sesetengah fakulti menerima demonstrasi melalui notebook atau skrip baris arahan jika fokus projek ialah pemodelan, bukan pembangunan aplikasi. Semak dengan penyelia anda sebelum melabur masa membina UI yang tidak diperlukan.
Bagaimana jika model saya berprestasi lebih teruk daripada garis dasar?
Laporkan dengan jujur dan analisis sebabnya — ini masih boleh menjadi kajian yang bernilai jika anda dapat menerangkan mengapa pendekatan itu tidak berjaya, yang sering menjadi penemuan berguna untuk kajian akan datang.
Adakah saya perlu menggunakan kod sumber terbuka orang lain sebagai asas projek?
Boleh, asalkan anda menyatakan dengan jelas bahagian mana yang anda bina sendiri berbanding diadaptasi, dan sumbangan asli anda cukup substansial untuk memenuhi keperluan projek tahun akhir fakulti anda.
Bagaimana saya menangani soalan tentang mengapa saya tidak menggunakan model AI generatif terkini dalam projek saya?
Jelaskan justifikasi pemilihan model berdasarkan keperluan masalah, sumber pengkomputeran yang tersedia, dan kebolehjelasan (interpretability) yang diperlukan; model yang lebih ringkas kadangkala lebih sesuai dan lebih mudah dipertahankan berbanding model canggih yang anda tidak dapat terangkan sepenuhnya.
Perlukah saya melaporkan kod penuh dalam badan tesis?
Biasanya tidak; kod penuh diletakkan dalam lampiran atau repositori berasingan seperti pautan GitHub peribadi, manakala badan tesis memaparkan gambar rajah seni bina, cuplikan kod penting dan keputusan, bukan keseluruhan fail sumber. Semak sama ada fakulti anda memerlukan repositori kod diserahkan berasingan daripada laporan bertulis.
Apakah beza antara projek ini dengan tesis berasaskan soal selidik dari segi bab metodologi?
Bab metodologi projek perisian menerangkan reka bentuk sistem, sumber data dan metrik penilaian teknikal, manakala tesis soal selidik menerangkan populasi, sampel dan instrumen kajian; kedua-duanya masih memerlukan justifikasi yang jelas bagi setiap pilihan.
Bolehkah saya menukar daripada projek pembangunan sistem kepada projek model pembelajaran mesin di pertengahan semester?
Secara teknikal mungkin, tetapi ia jarang bijak kerana kedua-dua bentuk memerlukan kemahiran dan persediaan Bab 3 yang berbeza; bincangkan dengan penyelia seawal mungkin jika anda mempertimbangkan perubahan sebegini, dan elakkan menukar hala tuju selepas separuh semester berlalu.