Berapa Biaya Sebenarnya Mengerjakan Proyek Machine Learning Sendiri vs Menyewa Bantuan
Pertanyaan "lebih murah mana" biasanya dijawab dengan membandingkan harga paket dan biaya langganan GPU. Itu perbandingan yang tidak lengkap. Biaya terbesar dalam proyek machine learning bukan listrik atau sewa GPU, melainkan jam kerja yang habis untuk hal yang tidak menghasilkan apa-apa: menunggu training, memperbaiki bug praproses, dan mengulang eksperimen yang sejak awal salah rancang.
Artikel ini memecah biaya itu menjadi bagian yang bisa dihitung, lalu membandingkan beberapa skenario dengan jujur, termasuk kapan mengerjakan sendiri justru pilihan yang lebih baik.
Tiga jenis biaya yang jarang dihitung
Waktu. Ini biaya terbesar dan paling sering diabaikan karena tidak terasa seperti uang. Satu jam debugging data loader dan satu jam mengerjakan pekerjaan berbayar punya nilai yang sama, meskipun hanya salah satunya muncul di catatan keuangan.
Komputasi. Untuk sebagian besar proyek skripsi, ini justru biaya terkecil. GPU gratis dan sewa per jam membuat komputasi jarang menjadi penghalang utama. Yang mahal adalah waktu tunggu, bukan tagihannya.
Iterasi. Setiap percobaan yang gagal memakan satu siklus: ubah kode, jalankan, tunggu, evaluasi, ulangi. Biaya sebenarnya bukan satu iterasi, tetapi jumlah iterasi yang kamu butuhkan sebelum tahu apakah pendekatanmu bekerja.
Hitungan waktu yang jujur
Angka di bawah adalah perkiraan berdasarkan pekerjaan yang biasanya muncul di proyek skripsi atau prototipe skala kecil. Rentangnya lebar karena sangat bergantung pada pengalaman dan kesiapan data.
| Tahap | Perkiraan jam (pertama kali) | Perkiraan jam (sudah pernah) |
|---|---|---|
| Membaca paper dan memahami metodologi | 8-16 | 3-6 |
| Menyiapkan environment dan reproduksi contoh | 2-6 | 1-2 |
| Membersihkan dan memeriksa data | 10-30 | 6-15 |
| Baseline sederhana | 4-8 | 2-4 |
| Implementasi model utama | 10-20 | 5-10 |
| Eksperimen dan tuning | 20-40 | 10-25 |
| Evaluasi, visualisasi, analisis error | 6-12 | 3-6 |
| Penulisan dan revisi | 20-40 | 15-30 |
| Total | 80-172 jam | 45-98 jam |
Kalau kamu punya 10 jam per minggu, rentang pertama berarti 8 sampai 17 minggu. Itu hampir seluruh satu semester, tanpa sisa untuk revisi pembimbing. Ini alasan paling umum mengapa proyek terasa "hampir selesai" selama berbulan-bulan.
Angka ini bukan untuk menakuti. Justru sebaliknya: kalau kamu tahu totalnya di depan, kamu bisa memutuskan bagian mana yang layak dikerjakan sendiri dan bagian mana yang lebih baik dipercepat.
Biaya eksperimen yang gagal
Eksperimen gagal bukan berarti kode error. Kode error murah, karena pesannya jelas. Yang mahal adalah eksperimen yang berjalan tanpa error tetapi menghasilkan angka yang tidak bisa dipercaya.
Contoh yang sering terjadi: normalisasi dilakukan sebelum split data, sehingga informasi dari test set bocor ke training. Model terlihat bagus, kamu menulis draf bab hasil, lalu seseorang mempertanyakannya di sidang. Perbaikannya mungkin hanya tiga baris kode, tetapi waktu yang hilang untuk mengulang eksperimen dan menulis ulang bisa dua sampai tiga minggu.
Pola serupa muncul pada:
- Label yang tidak konsisten dan baru diperiksa setelah model selesai dilatih.
- Dataset yang ternyata punya duplikat antara train dan test.
- Metrik yang dipilih setelah melihat hasil, sehingga tidak ada lagi yang bisa diklaim.
- Baseline yang tidak pernah dijalankan, sehingga kenaikan performa tidak bisa dibuktikan.
Biaya dari keempat hal di atas bukan komputasi, melainkan kalender. Itu yang tidak muncul di tagihan mana pun.
Biaya komputasi
Untuk perencanaan, kamu bisa memakai tiga tingkat:
| Tingkat | Perkiraan biaya | Catatan |
|---|---|---|
| GPU gratis (Colab, Kaggle) | Rp0 | Kuota terbatas dan bisa berubah; cukup untuk fine-tuning model ukuran sedang |
| Langganan layanan notebook | sekitar 10 dolar AS per bulan | Menghilangkan sebagian batas waktu, bukan batas memori |
| Sewa GPU per jam | sekitar 0,3 sampai 2 dolar AS per jam | Tergantung jenis GPU; berguna untuk eksperimen panjang |
Harga layanan berubah, jadi perlakukan angka ini sebagai orde besaran, bukan patokan tetap. Yang penting adalah proporsinya: untuk satu proyek skripsi, total biaya komputasi biasanya jauh lebih kecil daripada nilai waktu yang kamu habiskan. Menghabiskan dua minggu untuk menghemat Rp200 ribu biaya GPU adalah keputusan yang buruk secara ekonomi, meskipun terasa hemat.
Menyewa bantuan: apa yang sebenarnya kamu beli
Kalau kamu membayar bantuan, yang kamu beli bukan hanya kode. Yang kamu beli adalah pengurangan iterasi: orang yang sudah pernah melewati jalur serupa bisa mengenali masalah lebih cepat, memilih baseline yang wajar, dan memberi tahu kapan sebuah hasil sudah cukup baik.
Paket yang kami publikasikan di halaman layanan mencerminkan perbedaan itu:
| Paket | Isi utama | Perkiraan waktu | Cocok untuk |
|---|---|---|---|
| Basic Package | Model sederhana, kode saja, satu revisi minor | 1-2 minggu | Sudah punya dataset dan metodologi, butuh implementasi yang jalan |
| Student Package | Model ML atau deep learning, dokumentasi, materi presentasi, satu sesi konsultasi, dukungan satu bulan | Sesuai lingkup | Skripsi atau publikasi yang perlu dipertahankan di depan penguji |
| Research Package | Implementasi model SOTA, pembahasan teori, protokol eksperimen, lima sesi konsultasi, dukungan tiga bulan | Sesuai lingkup | Reproduksi paper atau perbandingan beberapa metode |
| Full Solution | Deployment API, integrasi, pemeliharaan | Per proyek | Model sudah tervalidasi dan perlu dipakai di luar notebook |
| Sesi konsultasi | Diskusi satu jam, brainstorming, debugging | 1 jam | Butuh arahan, bukan pengerjaan penuh |
Harga paket dituliskan dalam proposal setelah lingkup dan data dikonfirmasi, karena dua hal itu yang menentukan jumlah pekerjaan. Sesi konsultasi per jam dipublikasikan di angka Rp100 ribu per jam.
Yang perlu jujur disebut: membeli bantuan tidak menghilangkan kewajiban memahami. Kamu tetap harus bisa menjelaskan mengapa memilih arsitektur itu, mengapa metriknya tepat, dan apa keterbatasannya. Paket yang baik menyertakan penjelasan justru karena itu. Kalau kamu hanya menerima kode tanpa pemahaman, biaya sebenarnya belum selesai, hanya berpindah ke sidang.
Perbandingan skenario
Tabel ini membandingkan empat cara yang realistis, dengan asumsi satu proyek skripsi berukuran sedang dan waktu 12 minggu.
| Skenario | Waktu kalender | Biaya uang | Risiko utama |
|---|---|---|---|
| Sepenuhnya sendiri | 10-16 minggu | Komputasi saja, biasanya di bawah Rp500 ribu | Kehabisan waktu karena kurva belajar |
| Sendiri + beberapa sesi konsultasi | 8-12 minggu | Komputasi + Rp100 ribu per jam | Bergantung pada seberapa cepat kamu mengikuti saran |
| Student Package | Sesuai lingkup, biasanya lebih pendek | Sesuai proposal | Kamu perlu meluangkan waktu untuk memahami hasilnya |
| Research Package | Sesuai lingkup, dengan dukungan tiga bulan | Sesuai proposal | Berlebihan kalau topiknya sederhana |
Tidak ada kolom "paling murah" yang berlaku untuk semua orang, karena nilai waktumu berbeda-beda. Mahasiswa yang punya 30 jam per minggu dan target belajar mendalam berada di posisi berbeda dari mahasiswa yang bekerja sambil kuliah dan punya 8 jam per minggu.
Kapan mengerjakan sendiri justru lebih baik
Ada kondisi di mana mengerjakan sendiri bukan sekadar lebih murah, tetapi memang pilihan yang benar:
- Tujuannya belajar, bukan sekadar lulus. Kalau kamu ingin benar-benar menguasai pipeline, mengerjakan sendiri dengan tenggat longgar memberi pengalaman yang tidak bisa digantikan.
- Topiknya sederhana dan datanya bersih. Klasifikasi tabular dengan dataset rapi sering selesai dalam dua sampai tiga minggu.
- Ada pembimbing atau senior yang responsif. Satu jam diskusi dengan orang yang tepat bisa menghemat satu minggu.
- Kamu sudah punya baseline yang jalan. Kalau pipeline dasar sudah ada, sisa pekerjaan biasanya konfigurasi dan penulisan.
Sebaliknya, mempertimbangkan bantuan masuk akal kalau tenggat sudah dekat, topiknya menuntut reproduksi paper, atau kamu sudah dua sampai tiga minggu macet di masalah yang sama. Kemacetan berulang di satu titik biasanya bukan masalah usaha, melainkan masalah informasi.
Cara menghitung sendiri
Gunakan rumus sederhana ini:
total biaya = (jam kerja x nilai per jam) + biaya komputasi + (minggu yang hilang x biaya keterlambatan)
Contoh ilustratif, bukan angka yang berlaku umum. Misalkan kamu menilai waktumu Rp30 ribu per jam, proyeknya butuh 120 jam, komputasi Rp300 ribu, dan satu kesalahan rancangan membuatmu kehilangan tiga minggu yang seharusnya bisa dipakai untuk revisi. Maka biaya totalnya sekitar Rp3,9 juta, dan sebagian besar berasal dari jam kerja, bukan dari GPU.
Kalau angka itu terasa besar, itu justru intinya. Bantuan teknis bukan pengeluaran yang muncul dari nol, melainkan cara memindahkan sebagian jam kerja itu ke orang yang lebih cepat di bagian tertentu. Keputusan yang sehat adalah memilih bagian mana yang layak dipindahkan.
Satu hal yang sering luput: waktu untuk membersihkan data biasanya lebih besar dari perkiraan. Kalau kamu ingin memperkirakan biaya dengan lebih akurat, baca dulu panduan handling missing data dan outliers di blog ini, karena tahap itulah yang paling sering membengkak.
Langkah berikutnya
Sebelum memutuskan, tulis perkiraan jam untuk setiap tahap di tabel pertama, lalu bandingkan dengan waktu yang benar-benar kamu punya per minggu. Kalau totalnya melebihi kalender, potong lingkupnya atau cari bantuan untuk tahap yang paling tidak kamu kuasai.
Kalau kamu ingin membahas perkiraan biaya untuk proyekmu, hubungi kami lewat WhatsApp atau lihat rincian paket dan sesi konsultasi di halaman layanan.