Introduction

Kegiatan Project Assignment berupa pengembangan Prototype Use Case Analytic, yang bertujuan untuk pengumpulan ide/gagasan sekaligus solusi pemecahan masalah dengan inovasi baru secara kolaboratif dengan peserta dari Karyawan Internal Pegadaian. Pendampingan Prototype Use Case Analytic dilaksanakan secara online melalui Zoom 1 (satu) minggu sekali selama 1 (satu) bulan. Peserta pengembangan Prototype Use Case Analytic adalah 48 peserta pelatihan yang tergabung dalam 24 tim.

Terdapat 3 kasus yang berbeda. Anda dapat memilih 1 kasus dengan satu set Rubrik / Persyaratan yang harus Anda selesaikan untuk mendapatkan skor.

Scoring Rubrics

Rubrics penilaian sesi eliminasi sebelum masuk ke demo day akan berdasarkan beberapa poin berikut:

  • Pemahaman Masalah
  • Eksplorasi Data
  • Pra-Pemprosesan
  • Evaluasi Model
  • Interpretasi Hasil
  • Inovasi dan Kreativitas

Skala Penilaian:

  • 1 - Tidak Memenuhi Harapan: Karya tidak memenuhi harapan dalam aspek yang dinilai.
  • 2 - Memenuhi Sebagian Harapan: Karya memenuhi sebagian kecil dari harapan dalam aspek yang dinilai.
  • 3 - Memenuhi Harapan: Karya memenuhi harapan secara memadai dalam aspek yang dinilai.
  • 4 - Melebihi Harapan: Karya melebihi harapan dalam aspek yang dinilai dengan inovasi atau kreativitas tambahan.

Cases

Anda dapat menemukan penjelasan rinci tentang masing-masing kasus pada deskripsi di bawah ini.

1. Business Forecasting

Business Forecasting: Latar Belakang

Peserta ditantang untuk mengembangkan model-model AI/ML yang dapat memprediksi tren bisnis di masa depan dengan akurasi tinggi di konteks layanan keuangan. Model-model ini akan membantu perusahaan dalam mengambil keputusan strategis yang lebih baik, seperti perencanaan penjualan produk, manajemen risiko kredit, dan peramalan kebutuhan finansial pelanggan.

Business Forecasting: Dataset

Dataset: Dataset yang digunakan harus mencakup data historis yang relevan untuk forecasting. Contohnya bisa meliputi: Data transaksi nasabah (misalnya, jumlah dan frekuensi pinjaman, pembayaran, dan transaksi lainnya) Data keuangan perusahaan (misalnya, pendapatan, biaya operasional, dan data laba/rugi) Data pasar finansial (misalnya, suku bunga, nilai tukar, dan indeks pasar) Pastikan dataset mencakup periode waktu yang memadai dan variabel yang penting untuk analisis forecasting. Sertakan informasi tentang sumber data, ukuran dataset, dan jenis data yang ada.

Business Forecasting : Rubrik (60 Points)

Pemahaman Masalah

  • Permasalahan yang ingin diselesaikan (1-4 Points)
    • Menyajikan masalah spesifik yang ingin diselesaikan
    • Menjelaskan konteks bisnis dan dampak dari masalah tersebut terhadap keputusan strategis
    • Menyusun ruang lingkup masalah secara jelas, termasuk batasan dan asumsi yang diambil
  • Manfaat Proyek (1-4 Points)
    • Menjelaskan manfaat dari model yang dikembangkan
    • Menjelaskan bagaimana hasil model dapat digunakan untuk membuat keputusan bisnis yang lebih baik
    • Mengidentifikasi potensi dampak jangka panjang dari penerapan model di perusahaan
  • Pengguna yang mendapatkan manfaat dari proyek (1-4 Points)
    • Menyebutkan siapa saja yang akan diuntungkan dari hasil proyek ini
    • Menjelaskan bagaimana model ini akan memudahkan pekerjaan atau membuat keputusan lebih efisien bagi pengguna yang disebutkan
  • Tujuan dari Proyek (1-4 Points)
    • Menjelaskan tujuan spesifik yang ingin dicapai dengan proyek forecasting, seperti meingkatkan akurasi prediksi default kredit sebesar X% atau mengurangi waktu analisis permintaan pinjaman sebesar Y%
    • Menyebutkan metrik keberhasilan yang akan digunakan untuk mengukur pencapaian tujuan

Eksplorasi Data

  • Data yang digunakan sudah sesuai dengan kebutuhan proyek (1-4 Points)
    • Menilai relevansi data yang digunakan dengan masalah yang ingin diselesaikan
    • Memastikan data mencakup periode waktu yang memadai dan variabel yang penting untuk forecasting
  • Tahapan Eksplorasi (1-4 Points)
    • Analisis statistik awal: distribusi data, outlier, dll
    • Visualisasi data: menggunakan grafik dan plot untuk memahami pola data dan tren dalam data yang digunakan
    • Deteksi masalah data seperti tipe data, missing values, dll

Pra-Pemrosesan

  • Mendemonstrasikan dan menjelaskan cara konversi ke tipe data yang tepat. (1-4 Points)
    • Menjelaskan bagaimana mengkonversi data waktu dari format character ke format tipe data yang sesuai untuk analisis
  • Mendemonstrasikan dan menjelaskan cara membersihkan data. (1-4 Points)
    • Menjelaskan proses pengurutan data berdasarkan waktu untuk memastikan konsistensi dan akurasi dalam analisis (jika ada data time series)
    • Menyediakan teknik atau metode yang digunakan untuk interpolasi/pengisian data atau agregasi data jika diperlukan
  • Mendemonstrasikan dan menjelaskan cara mempersiapkan data dengan isi tepat. (1-4 Points)
    • Menjelaskan cara mengubah data time series menjadi interval waktu yang konsisten, misalnya mingguan, bulanan atau kuartalan (jika ada data time series)

Persiapan & Evaluasi Model

  • Mendemonstrasikan dan menjelaskan cara melakukan cross-validation & fitting model dalam kasus proyek. (1-4 Points)
    • Menjelaskan teknik cross-validation yang digunakan untuk memastikan model tidak overfitting dan memiliki generalisasi yang baik dalam konteks data yang digunakan
    • Menjelaskan proses pelatihan model yang digunakan
  • Perbandingan Model (1-4 Points)
    • Untuk mendapatkan hasil yang terbaik, bandingan metode yang digunakan dengan metode lainnya ataupun metode yang digunakan sebelumnya.
  • Mendemonstrasikan dan menjelaskan cara melakukan evaluasi dan interpretasi metriks yang digunakan.(1-4 Points)
    • Menjelaskan metrik evaluasi seperti RMSE, MAE, MAPE atau Confusion Matrix yang digunakan untuk menilai akurasi model

Interpretasi Hasil

  • Mendemonstrasikan cara menginterpretasikan hasil model secara menyeluruh (1-4 Points)
    • Menjelaskan bagaimana hasil model mempengaruhi keputusan bisnis dan apa implikasinya untuk perusahaan.
    • Menyediakan visualisasi atau tabel yang mendukung interpretasi hasil.
  • Tuliskan dan jelaskan kesimpulan dari project assignment (1-4 Points)
    • Apakah tujuan dari proyek tercapai?
    • Apakah permasalahan yang dihadapi dapat diselesaikan oleh machine learning dalam konteks finansial?
    • Model apa yang digunakan dan bagaimana hasilnya?
    • Apakah potensi implementasi proyek ini di lingkup Pegadaian?

Inovasi dan Kreativitas

  • Menilai elemen inovatif dan kreatif dalam pendekatan atau solusi yang dikembangkan (1-4 Points)
    • Menjelaskan fitur unik dari model atau metode yang digunakan dalam konteks keuangan.
    • Menilai bagaimana pendekatan yang diambil dapat mengatasi masalah secara lebih efektif dibandingkan dengan metode konvensional.
    • Mengidentifikasi ide-ide baru yang diperkenalkan dan dampaknya terhadap hasil akhir.


2. Customer Profiling

Customer Profiling: Latar Belakang

Peserta ditantang untuk mengembangkan model AI/ML yang dapat mengelompokkan nasabah berdasarkan karakteristik dan perilaku mereka. Model ini akan membantu perusahaan dalam memahami pelanggan secara lebih mendalam, sehingga dapat memberikan penawaran yang lebih personal, meningkatkan kepuasan pelanggan, dan meningkatkan retensi/frequency/monetary pelanggan.

Customer Profiling: Dataset

Dataset: Dataset harus mencakup informasi tentang nasabah yang relevan untuk profiling, seperti: - Data demografis nasabah (misalnya, usia, jenis kelamin, pekerjaan). - Data transaksi (misalnya, jumlah transaksi, frekuensi, nilai transaksi). - Data interaksi dengan layanan Pegadaian (misalnya, jenis produk yang digunakan, lama menjadi nasabah). - Data perilaku dan preferensi (misalnya, preferensi produk, kebiasaan pembayaran).

Pastikan dataset mencakup periode waktu yang memadai dan variabel yang relevan untuk analisis clustering atau segmentasi pelanggan. Sertakan informasi tentang sumber data, serta ukuran dataset.

Customer Profiling: Rubrik (Maks: 60 Points)

Pemahaman Masalah

  • Permasalahan yang ingin diselesaikan (1-4 Points)
    • Menyajikan masalah spesifik dalam konteks layanan keuangan yang ingin dipecahkan
    • Menjelaskan bagaimana pemahaman yang lebih baik tentang pelanggan dapat mempengaruhi strategi pemasaran dan penjualan di perusahaan.
    • Menyusun ruang lingkup masalah secara jelas, termasuk batasan dan asumsi yang diambil.
  • Manfaat Proyek (1-4 Points)
    • Menguraikan manfaat praktis dari model profiling, seperti peningkatan akurasi dalam target pemasaran, peningkatan kepuasan pelanggan, dan peningkatan retensi pelanggan.
    • Menjelaskan bagaimana hasil model dapat digunakan untuk membuat penawaran yang lebih personal dan efektif.
    • Mengidentifikasi potensi dampak jangka panjang dari penerapan model di perusahaan.
  • Pengguna yang mendapatkan manfaat dari proyek (1-4 Points)
    • Menyebutkan siapa saja yang akan diuntungkan dari hasil proyek, seperti tim pemasaran, manajer produk, atau tim layanan pelanggan.
    • Menjelaskan bagaimana model ini akan memudahkan pekerjaan atau membuat keputusan lebih efisien bagi pengguna yang disebutkan.
  • ujuan dari Proyek (1-4 Points)
    • Menjelaskan tujuan spesifik yang ingin dicapai dengan proyek profiling, seperti mengidentifikasi X segmen pelanggan utama atau meningkatkan retensi pelanggan sebesar Y%.
    • Menyebutkan metrik keberhasilan yang akan digunakan untuk mengukur pencapaian tujuan.

Eksplorasi Data

  • Data yang digunakan sudah sesuai dengan kebutuhan proyek (1-4 Points)
    • Menilai relevansi data pelanggan yang digunakan dengan masalah yang ingin diselesaikan.
    • Memastikan data mencakup karakteristik dan perilaku yang penting untuk profiling pelanggan.
  • Tahapan Eksplorasi (1-4 Points)
    • Analisis statistik awal: seperti memeriksa distribusi dan outlier dalam data.
    • Visualisasi data: menggunakan grafik dan plot untuk memahami pola dan segmen.
    • Deteksi masalah data seperti missing values dan duplikat.

Pra-Pemrosesan

  • Mengatasi data kategorikal dan numerik (1-4 Points)
    • Menjelaskan teknik yang digunakan untuk mengubah data kategorikal menjadi format numerik (misalnya, one-hot encoding) dan menyesuaikan data numerik.
  • Normalisasi dan standarisasi data (1-4 Points)
    • Menjelaskan proses normalisasi dan standarisasi data untuk memastikan model dapat bekerja dengan data yang konsisten.
  • Menangani data yang hilang atau tidak lengkap (1-4 Points)
    • Menjelaskan strategi yang digunakan untuk menangani data yang hilang

Pembuatan Model

  • Pemilihan Algoritma (1-4 Points)
    • Menjelaskan alasan pemilihan algoritma tertentu untuk deteksi anomali dan penipuan.
    • Menyebutkan algoritma yang digunakan dan mengapa algoritma tersebut dipilih (misalnya, k-mean, k-medoids, dll).
  • Perbandingan Model (1-4 Points)
    • Untuk mendapatkan hasil yang terbaik, bandingan metode yang digunakan dengan metode lainnya ataupun metode yang digunakan sebelumnya.
  • Implementasi Model (1-4 Points)
    • Menjelaskan langkah-langkah yang diambil dalam membangun model, termasuk persiapan data, pelatihan, dan pengujian.

Interpretasi Hasil

  • Menjelaskan hasil clustering atau segmentasi (1-4 Points)
    • Menjelaskan segmen atau cluster yang ditemukan dan karakteristik utama dari masing-masing segmen.
    • Menyediakan visualisasi atau tabel yang mendukung interpretasi hasil.
  • Menyimpulkan hasil proyek (1-4 Points)
    • Apakah tujuan dari proyek tercapai?
    • Apakah permasalahan yang dihadapi dapat diselesaikan oleh machine learning dalam konteks profiling pelanggan?
    • Model apa yang digunakan dan bagaimana hasilnya?
    • Apakah potensi implementasi proyek ini di lingkup Pegadaian?

Inovasi dan Kreativitas

  • Menilai elemen inovatif dan kreatif dalam pendekatan atau solusi yang dikembangkan (1-4 Points)
    • Menjelaskan fitur unik dari model atau metode yang digunakan dalam konteks profiling pelanggan.
    • Menilai bagaimana pendekatan yang diambil dapat mengatasi masalah secara lebih efektif dibandingkan dengan metode konvensional.
    • Mengidentifikasi ide-ide baru yang diperkenalkan dan dampaknya terhadap hasil akhir.


3. Anomaly & Fraud Detection

Anomaly & Fraud Detection: Latar Belakang

Peserta ditantang untuk mengembangkan model AI/ML yang dapat mendeteksi pola yang tidak biasa atau mencurigakan dalam data transaksi, perilaku pengguna, atau data sensor. Model ini akan membantu perusahaan dalam mengidentifikasi potensi penipuan, kesalahan sistem, atau ancaman keamanan lainnya dengan lebih efektif dan tepat waktu.

Anomaly & Fraud Detection: Dataset

Dataset: Dataset harus mencakup data transaksi dan perilaku pengguna yang relevan untuk deteksi anomali dan penipuan, seperti: - Data transaksi keuangan (misalnya, waktu transaksi, jumlah transaksi, metode pembayaran). - Data perilaku pengguna (misalnya, frekuensi login, lokasi akses, pola transaksi). - Data sensor atau log sistem (misalnya, log server, data perangkat).

Pastikan dataset mencakup contoh kasus penipuan dan anomali, serta data normal untuk pelatihan model. Sertakan informasi tentang sumber data, dan ukuran dataset.

Anomaly & Fraud Detection: Rubrik (Maks: 60 Points)

Pemahaman Masalah

  • Permasalahan yang ingin diselesaikan (1-4 Points)
    • Menyajikan masalah spesifik terkait deteksi anomali dan penipuan dalam konteks layanan keuangan.
    • Menjelaskan dampak dari masalah tersebut terhadap keamanan dan integritas data di perusahaan.
    • Menyusun ruang lingkup masalah secara jelas, termasuk batasan dan asumsi yang diambil.
  • Manfaat Proyek (1-4 Points)
    • Menguraikan manfaat praktis dari model deteksi anomali dan penipuan
    • Menjelaskan bagaimana hasil model dapat digunakan untuk meningkatkan respons terhadap ancaman keamanan dan penipuan.
    • Mengidentifikasi potensi dampak jangka panjang dari penerapan model di perusahaan
  • Pengguna yang mendapatkan manfaat dari proyek (1-4 Points)
    • Menyebutkan siapa saja yang akan diuntungkan dari hasil proyek, seperti tim keamanan, manajer risiko, atau tim TI.
    • Menjelaskan bagaimana model ini akan memudahkan pekerjaan atau membuat keputusan lebih efisien bagi pengguna yang disebutkan.
  • Tujuan dari Proyek (1-4 Points)
    • Menjelaskan tujuan spesifik yang ingin dicapai dengan proyek deteksi anomali, seperti mengurangi false positives dalam deteksi penipuan sebesar X% atau meningkatkan deteksi penipuan sebesar Y%.
    • Menyebutkan metrik keberhasilan yang akan digunakan untuk mengukur pencapaian tujuan.

Eksplorasi Data

  • Data yang digunakan sudah sesuai dengan kebutuhan proyek (1-4 Points)
    • Menilai relevansi data transaksi dan perilaku pengguna yang digunakan dengan masalah yang ingin diselesaikan.
    • Memastikan data mencakup contoh anomali dan penipuan serta data normal yang cukup untuk pelatihan dan pengujian.
  • Tahapan Eksplorasi (1-4 Points)
    • Analisis statistik awal: memeriksa distribusi dan outlier dalam data transaksi dan perilaku.
    • Visualisasi data: menggunakan grafik dan plot untuk memahami pola dan mendeteksi anomali.
    • Deteksi anomali data seperti missing values, duplikat, atau ketidaksesuaian data.

Pra-Pemrosesan

  • Menangani data kategorikal dan numerik (1-4 Points)
    • Menjelaskan teknik yang digunakan untuk mengubah data kategorikal menjadi format numerik (misalnya, one-hot encoding) dan menyesuaikan data numerik.
  • Normalisasi dan standarisasi data (1-4 Points)
    • Menjelaskan proses normalisasi dan standarisasi data untuk memastikan model dapat bekerja dengan data yang konsisten.
  • Menangani data yang hilang atau tidak lengkap (1-4 Points)
    • Menjelaskan strategi yang digunakan untuk menangani data yang hilang, seperti imputasi atau penghapusan data.

Pembuatan Model

  • Pemilihan Algoritma (1-4 Points)
    • Menjelaskan alasan pemilihan algoritma tertentu untuk deteksi anomali dan penipuan.
    • Menyebutkan algoritma yang digunakan dan mengapa algoritma tersebut dipilih (misalnya, clustering, isolation forest, neural networks).
  • Perbandingan Model (1-4 Points)
    • Untuk mendapatkan hasil yang terbaik, bandingan metode yang digunakan dengan metode lainnya ataupun metode yang digunakan sebelumnya.
  • Implementasi Model (1-4 Points)
    • Menjelaskan langkah-langkah yang diambil dalam membangun model, termasuk persiapan data, pelatihan, dan pengujian.

Interpretasi Hasil

  • Menjelaskan hasil deteksi anomali atau penipuan (1-4 Points)
    • Menjelaskan tipe-tipe anomali atau penipuan yang berhasil dideteksi dan karakteristik dari pola yang tidak biasa.
    • Menyediakan visualisasi atau tabel yang mendukung interpretasi hasil.
  • Menyimpulkan hasil proyek (1-4 Points)
    • Apakah tujuan dari proyek tercapai?
    • Apakah permasalahan yang dihadapi dapat diselesaikan oleh machine learning dalam konteks deteksi anomali dan penipuan?
    • Model apa yang digunakan dan bagaimana hasilnya?
    • Apakah potensi implementasi proyek ini di lingkup Pegadaian?

Inovasi dan Kreativitas

  • Menilai elemen inovatif dan kreatif dalam pendekatan atau solusi yang dikembangkan (1-4 Points)
    • Menjelaskan fitur unik dari model atau metode yang digunakan dalam konteks deteksi penipuan dan anomali.
    • Menilai bagaimana pendekatan yang diambil dapat mengatasi masalah secara lebih efektif dibandingkan dengan metode konvensional.
    • Mengidentifikasi ide-ide baru yang diperkenalkan dan dampaknya terhadap hasil akhir.


Alur Pengumpulan Project

Setelah menyelesaikan proses pengerjaan Project Assignment, tahapan selanjutnya adalah mengumpulkan proyek di https://www.analyticspegadaian.com/ dengan tahapan berikut:

  1. Buka https://www.analyticspegadaian.com/

  1. Klik Sign Up atau Log in bagi yang telah mempunyai akun.

  1. Silahkan unggah file proyek dalam bentuk .html, kemudian kumpulkan proyek.

Notes: Anda baru dapat melakukan pengumpulan proyek setelah registrasi Anda tervalidasi.

  1. Nilai proyek akan tampil di website setelah dilakukan penilaian oleh tim Algoritma. 6 kelompok terbaik akan masuk ke tahapan Demo Day Project


Mentoring Proyek

Sesi pendampingan (mentoring) dilaksanakan untuk membantu peserta dalam proses pengerjaan project. Selama sesi ini, masing-masing kelompok akan dibantu oleh tim mentor untuk berdiskusi mengenai kesulitan dan juga pencapaian dari project yang telah dikerjakan. Workflow mentoring dapat mengacu pada flow berikut:

Skema Kelompok

  • Dari 48 peserta terdaftar, dilakukan pembagian menjadi 24 kelompok.
  • Masing-masing kelompok terdiri dari 2 orang dari anggota masing-masing unit kerja.

Skema Mentor

  • Terdapat 4 mentor yang akan bertugas mendampingi proses pengerjaan project.
  • Masing-masing mentor akan membantu supervisi 6 kelompok dalam pengerjaan proyek Data Analytics.

Skema Jadwal

  • Evaluasi hasil mentoring dilaporkan dalam bentuk dokumen laporan.
  • Schedule pelaksanaan mentoring adalah di setiap hari Jumat terhitung dari 23 & 30 Agustus, 6 & 13 September 2024.
  • Masing-masing kelompok akan melakukan mentoring dengan durasi 30 menit.
  • Waktu mentoring akan menyesuaikan dengan waktu di masing-masing wilayah (WIT, WIB, WITA)
    • Kelompok yang berdomisili di wilayah Jakarta akan melaksanakan mentoring secara onsite.
    • Kelompok yang berdomisili di luar Jakarta akan melaksanakan mentoring secara online via zoom.


Peraturan

Tingkat kejujuran dan kenyamanan dalam program project assignment ini menjadi prioritas utama, maka dari itu para peserta yang berpartisipasi harus mengikuti beberapa peraturan yang sudah dibuat oleh penyelenggara tanpa terkecuali. Berikut adalah peraturannya:

  1. Orisinalitas Ide dan Kode
    • Ide, kode, dan desain yang dikembangkan selama project assignment harus asli dan bukan hasil salinan atau plagiat.
    • Peserta dilarang menggunakan atau menyalin kode atau materi yang dilindungi hak cipta tanpa izin.
  2. Etika dan Perilaku
    • Setiap tim harus mematuhi standar etika yang tinggi, termasuk menghormati peserta lain, mentor, dan panitia.
    • Tidak diperkenankan mengganggu peserta lain atau mengganggu jalannya project assignment.
    • Peserta harus menjaga sikap profesional dan tidak melakukan tindakan yang dapat merusak nama baik acara atau peserta lain.
  3. Penggunaan Data dan Topik
    • Setiap tim harus menggunakan data yang sudah disediakan oleh pihak penyelenggara.
    • Peserta tidak diperkenankan untuk mengganti topik yang sudah dipilih pada awal pendaftaran.
    • Data tambahan yang digunakan harus bersumber dari data publik yang sah dan sesuai dengan ketentuan penyelenggara.
  4. Kerahasiaan Informasi
    • Peserta harus menjaga kerahasiaan informasi rahasia atau data pribadi yang diberikan selama project assignment.
    • Tidak diperkenankan untuk membagikan informasi sensitif atau data pribadi tanpa izin dari pihak yang berwenang.
  5. Penggunaan Alat dan Teknologi
    • Alat dan teknologi yang digunakan harus sesuai dengan ketentuan yang ditetapkan oleh penyelenggara.
  6. Kolaborasi dan Bantuan Eksternal
    • Tim harus bekerja secara mandiri, tanpa bantuan dari pihak luar yang tidak terdaftar sebagai anggota tim.
    • Diskusi dan kolaborasi antar tim diperbolehkan sebatas untuk berbagi ide tanpa melanggar aturan kompetisi.
  7. Batas Waktu
    • Setiap tim harus menyerahkan proyek mereka sesuai dengan batas waktu yang ditentukan.
    • Keterlambatan dalam penyerahan proyek akan berakibat pada pengurangan nilai atau diskualifikasi.
  8. Penilaian
    • Penilaian akan didasarkan pada kriteria yang telah ditentukan sebelumnya.
    • Keputusan juri bersifat mutlak dan tidak dapat diganggu gugat.
  9. Diskualifikasi
    • Peserta yang melanggar peraturan dapat didiskualifikasi dari project assignment.
    • Keputusan diskualifikasi bersifat final.
  10. Kepatuhan pada Aturan Tambahan
    • Peserta harus mematuhi semua aturan tambahan yang mungkin diberikan oleh penyelenggara selama berlangsungnya project assignment.
    • Penyimpangan dari aturan tambahan yang diberikan dapat berakibat pada diskualifikasi.

Dengan mengikuti peraturan ini, diharapkan semua peserta dapat berkontribusi secara maksimal dan bersaing dengan jujur untuk menciptakan solusi terbaik dalam program project assignment ini.