13 Proyek AWS Teratas: Dari Pemula hingga Pro

Ingat untuk selalu menutup atau menghentikan sumber daya yang Anda gunakan untuk sebuah proyek setelah selesai. Jangan biarkan layanan AWS berjalan aktif lebih dari beberapa jam untuk menghindari biaya tak terduga.

Proyek AWS untuk Pemula

Jika Anda relatif baru di AWS, proyek-proyek ini dapat membantu Anda mengeksplorasi beberapa fungsionalitas dasar dan membiasakan diri dengan praktik terbaik dan lainnya. 

Mulai dengan AWS: Peran IAM dan S3

Sebagai pemula AWS, cara terbaik untuk memulai adalah membiasakan diri dengan ekosistem AWS dan layanannya. Kursus pengantar AWS kami akan membawa Anda melalui dasar-dasar dan beberapa konsep lanjutan.

Dua layanan yang paling umum digunakan dan harus sangat dikuasai oleh pemula adalah IAM dan S3.

AWS Identity and Access Management (IAM)

Layanan IAM disertakan dengan setiap akun AWS. Melalui IAM, Anda dapat menambahkan pengguna baru dan mengontrol akses mereka ke layanan dan sumber daya AWS.

Anda perlu memahami cara menggunakan IAM dan mengikuti praktik keamanan terbaik. Keterampilan ini penting untuk proyek AWS yang disebutkan dalam artikel ini.

Sumber: AWS

AWS Simple Storage Service (S3)

AWS S3 barangkali merupakan salah satu layanan AWS yang paling populer dan paling sering digunakan. Layanan ini menawarkan solusi penyimpanan data yang sangat hemat biaya dan sangat mudah untuk disiapkan. Amazon juga menawarkan Elastic File System (EFS) sebagai solusi penyimpanan alternatif. 

Tutorial penyimpanan AWS kami membahas berbagai fitur dan manfaat S3 dan EFS.

Banyak proyek yang tercantum dalam artikel ini akan memanfaatkan S3 sebagai solusi penyimpanan dalam berbagai cara, dan kemungkinan besar Anda akan menggunakannya secara ekstensif dalam karier Anda. Segarkan pengetahuan tentang apa itu Amazon S3, dan lihat bab tentang layanan penyimpanan AWS dari kursus Pengantar AWS kami.

1. Hosting situs web statis di Amazon S3

Untuk memulai proyek dalam artikel ini, kita mulai dengan hosting situs web statis sederhana. Disarankan agar Anda membuat situs web statis sendiri untuk tidak hanya mempelajari cara menggunakan beberapa layanan AWS, tetapi juga sebagai cara yang baik untuk mulai mempublikasikan proyek-proyek Anda, menunjukkan keterampilan AWS Anda dalam portofolio yang dapat Anda kirim ke calon pemberi kerja.

Dokumentasi AWS berisi tutorial yang sangat mudah diikuti untuk mengonfigurasi situs web statis menggunakan domain yang didaftarkan dengan Route 53.

Layanan AWS yang digunakan dalam proyek ini:

• Amazon Route 53 untuk mendaftarkan domain.
• Amazon S3 untuk menyimpan konten situs web Anda.
• CloudFront untuk mempercepat situs web statis Anda.
• Lambda@Edge (fitur CloudFront) untuk keamanan.

2. Menerapkan aplikasi web Python sederhana dengan AWS Elastic Beanstalk

Sumber: AWS

Salah satu cara terbaik untuk mempelajari cara kerja dasar AWS Elastic Beanstalk adalah dengan menerapkan aplikasi web Python menggunakan Flask atau Django.

AWS Elastic Beanstalk adalah layanan yang hebat untuk menerapkan aplikasi web karena Anda dapat fokus pada kode aplikasi alih-alih mengkhawatirkan pengelolaan infrastruktur. 

Namun, Anda tetap perlu mempelajari beberapa konsep kunci untuk mengonfigurasi aplikasi web dengan benar, seperti variabel lingkungan, load balancing, dan auto-scaling. Pengalaman langsung ini merupakan pengantar yang baik untuk beberapa konsep dan praktik DevOps kunci.

3. Menerapkan database SQL Server di Amazon RDS

Workshop Amazon RDS for SQL Server menawarkan panduan langkah demi langkah tentang Amazon RDS. Anda akan membuat instance DB dan mempelajari konsep penting terkait pencadangan, keamanan, penskalaan, pengoptimalan, dan pemantauan instance DB Anda.

Proyek AWS Tingkat Menengah

Proyek-proyek ini mengajarkan pemula bagaimana memanfaatkan layanan cloud untuk solusi yang dapat diskalakan dan efisien sekaligus memberikan pengalaman praktis dalam menangani kasus penggunaan nyata seperti pemrosesan gambar dan chatbot interaktif.

4. Membangun sistem pemrosesan gambar tanpa server

Proyek ini memandu Anda membuat workflow pemrosesan gambar tanpa server menggunakan AWS Step Functions, AWS Lambda, Amazon DynamoDB, dan Amazon SNS.

Dengan memanfaatkan AWS Step Functions untuk mengorkestrasi banyak layanan, Anda akan belajar mengorkestrasi dan mengotomatisasi workflow yang kompleks, sebuah keterampilan penting untuk solusi berbasis cloud modern.

Layanan AWS yang digunakan dalam proyek ini:

• Amazon Rekognition untuk mengidentifikasi apakah ada wajah pada gambar yang diunggah.
• AWS CloudFormation untuk templat yang dengan cepat menyiapkan sumber daya yang dibutuhkan proyek
• AWS Step Functions untuk mengorkestrasi workflow.
• AWS Lambda untuk memanggil Rekognition.
• Amazon DynamoDB untuk menyimpan metadata gambar.
• Amazon Simple Notification Service (SNS).
• Amazon EventBridge untuk memicu state machine berjalan saat gambar baru diunggah.

Sumber: AWS

5. Membuat chatbot dengan AWS Lex

Chatbot sedang menjadi topik hangat saat ini, dan AWS Lex membuatnya sangat mudah untuk menyiapkan chatbot dengan antarmuka web yang dapat diintegrasikan ke situs web pribadi atau perusahaan Anda.

Sumber: AWS

AWS menawarkan proyek contoh Amazon Lex UI yang akan memberi Anda pengalaman langsung menyiapkan dan menggunakan chatbot. Menggunakan templat Amazon CloudFormation semakin mempercepat proses ini dengan semua sumber daya yang Anda perlukan untuk membangun dan mengonfigurasi UI chatbot secara otomatis.

Layanan AWS yang digunakan dalam proyek ini:

• Amazon Cognito identity pool untuk membuat kredensial yang digunakan mengautentikasi pemanggilan API Lex dari browser.
• AWS Lex untuk chatbot.
• Amazon CloudFormation untuk templat.

Proyek AWS Tingkat Lanjutan

Pada bagian ini, kami menyajikan proyek berbasis machine learning dan AI yang menggunakan beragam layanan AWS.

Proyek-proyek ini memperkenalkan teknologi dan keterampilan tingkat lanjut, memungkinkan Anda menciptakan solusi berdampak dan mutakhir yang meningkatkan pengalaman pengguna serta proses bisnis.

Proyek machine learning dengan AWS

Amazon Sagemaker adalah layanan sepenuhnya terkelola, serbaguna, dan dapat diskalakan untuk membangun, melatih, dan menerapkan model machine learning di AWS. Ini adalah alat pilihan kami untuk proyek AWS tingkat lanjut yang melibatkan machine learning.

Lihat pengantar Sagemaker ini untuk rangkuman lengkap layanan tersebut.

6. Menerapkan solusi deteksi penipuan machine learning lengkap menggunakan Amazon Sagemaker

Proyek pertama di bagian ini adalah solusi deteksi penipuan machine learning end-to-end yang mendalam, dibuat oleh AWS.

Proyek ini akan memandu Anda melalui persiapan data, pelatihan model, dan penerapan. Anda akan mendapat wawasan tentang seluruh proses machine learning, dan pada akhirnya, Anda akan memiliki sistem deteksi penipuan yang berfungsi penuh.

Sumber: AWS

Beberapa keterampilan dasar Python diperlukan untuk menavigasi proyek secara efektif. Namun, kodenya dijelaskan dengan baik, sehingga Anda tetap dapat mengikutinya meskipun masih belajar Python.

7. Membangun sistem rekomendasi di Amazon Sagemaker

Dengan proyek ini, Anda akan melatih dan menerapkan sistem rekomendasi menggunakan data penilaian pelanggan di Amazon Sagemaker.

Proyek ini memperkenalkan konsep fundamental yang digunakan dalam membangun sistem rekomendasi. Anda akan mendapatkan pengalaman praktis menggunakan konsep deep learning dan SageMaker untuk pelatihan dan penerapan model yang dapat diskalakan.

Sistem rekomendasi banyak digunakan di e-commerce, layanan streaming konten, dan sektor lainnya, sehingga proyek ini sangat relevan dan memberikan konteks nyata bagi keterampilan yang dipelajari.

8. Membangun pipeline klasifikasi gambar dengan Amazon Sagemaker dan data MXNet

Dalam proyek ini, Anda akan membangun pipeline klasifikasi gambar dengan Amazon Sagemaker.

Proyek ini akan memperkenalkan Anda pada klasifikasi gambar, tugas dasar dalam computer vision. Namun, dengan menggunakan Amazon Sagemaker untuk menangani pekerjaan berat, Anda dapat fokus memahami alur kerja dan konsep kunci tanpa perlu membuat model kustom sendiri.

Proyek AI dengan AWS

Bagian kedua dari proyek lanjutan berfokus pada solusi berbasis AI. Generative AI, large language model, dan ChatGPT saat ini mendominasi pasar AI, menjadikannya waktu yang tepat untuk mengasah keterampilan AI Anda.

Saat Anda mengerjakan proyek-proyek ini, ingat perspektif industri yang kami bahas dalam podcast DataFramed ini:

Amazon Bedrock adalah layanan tanpa server yang sepenuhnya terkelola yang memungkinkan Anda bereksperimen dan menerapkan solusi generative AI dengan mudah dan aman.

Lihat workshop Amazon Bedrock ini untuk pengantar Bedrock dan cara kerjanya.

9. Membangun RAG multimodal menggunakan foundation models dan AWS

Pada proyek pertama ini, Anda akan membangun RAG multimodal menggunakan foundation models yang dihosting di Amazon Bedrock dan Amazon Sagemaker.

Tujuannya adalah mengekstrak informasi yang relevan secara kontekstual dari tabel, bagan, dan teks dalam slide deck (seperti Microsoft PowerPoint, misalnya). Di sinilah RAG multimodal sangat berguna—ketika Anda memiliki data dalam berbagai format (seperti gambar atau teks) dan perlu mengekstrak insight darinya.

Dengan bekerja menggunakan foundation models di Amazon Bedrock dan SageMaker, Anda bisa mendapatkan pengalaman langsung dengan alat AI terbaru. Mengetahui cara memanfaatkan AI untuk melakukan ekstraksi dan analisis data yang kompleks adalah keterampilan yang sangat berharga di berbagai industri dan aplikasi.

10. Membangun asisten LLM agentic di AWS

Dalam proyek ini, Anda akan membangun asisten LLM agentic di AWS menggunakan Bedrock, Lambda, Cognito, Aurora, dan S3.

Ini adalah proyek mendalam yang menawarkan paparan praktis terhadap arsitektur tiga-lapis yang ekstensif. Proyek ini juga akan secara realistis menunjukkan bagaimana solusi berbasis AI dikembangkan dan diterapkan di platform berbasis cloud.

Proyek ini juga mencakup aspek penting autentikasi pengguna dengan Cognito dan pengelolaan data dengan Aurora dan S3, memberikan pemahaman menyeluruh tentang pengembangan aplikasi yang aman dan efisien.

Sumber: AWS

Proyek AWS DevOps

DevOps mencakup lima bidang utama atau praktik terbaik:

• Continuous integration dan continuous delivery
• Microservices
• Infrastructure as code
• Pemantauan dan pencatatan
• Komunikasi dan kolaborasi

AWS menawarkan layanan yang mencakup semua bidang ini, menjadikannya pilihan yang baik untuk dipelajari dan dikuasai jika Anda ingin membangun karier di DevOps. Pada bagian ini, kami menyajikan proyek yang membahas tiga dari area di atas menggunakan layanan AWS.

11. Membangun aplikasi fullstack menggunakan ECS, Terraform, dan CodePipeline

Proyek ini menunjukkan cara menggunakan layanan AWS untuk membuat arsitektur yang tangguh untuk menerapkan aplikasi full-stack.

Proyek ini menyoroti manfaat menggunakan layanan kontainer terkelola dan Infrastructure as Code (IaC) untuk penerapan aplikasi yang efisien dan andal.

Anda akan mendapatkan pengalaman langsung dengan layanan AWS utama seperti ECS untuk pengelolaan kontainer, Terraform untuk Infrastructure as Code, dan CodePipeline untuk CI/CD, membekali Anda dengan keterampilan cloud yang esensial.

Dengan mengintegrasikan pipeline continuous integration dan continuous deployment (CI/CD), proyek ini juga memperkenalkan Anda pada praktik DevOps modern. Anda akan belajar bagaimana menerapkan aplikasi dengan lebih andal dan efisien. Keterampilan ini sangat penting untuk menjaga alur kerja yang mulus dan otomatis di lingkungan produksi.

Sumber: AWS

12. Membangun sistem pelaporan CloudWatch alarm otomatis

Proyek ini memandu Anda membuat sistem pelaporan CloudWatch alarm otomatis yang menghasilkan laporan harian alarm Amazon CloudWatch yang terpicu di wilayah AWS tertentu. Laporan, yang dibuat oleh fungsi AWS Lambda yang dipicu oleh Amazon EventBridge, disimpan sebagai file CSV di bucket S3 dan dikirim melalui email menggunakan Amazon SES.

Proyek ini memperkenalkan Anda pada otomasi tugas menggunakan layanan AWS seperti Lambda, EventBridge, dan SES. Ini menunjukkan bagaimana menyederhanakan proses pemantauan dan pelaporan, yang merupakan aspek penting DevOps.

Proyek ini juga menunjukkan cara mengintegrasikan beberapa layanan AWS (Lambda, S3, SES) untuk menciptakan solusi yang terpadu, mengajarkan pentingnya orkestrasi layanan di lingkungan cloud.

Sumber: AWS

13. Membangun aplikasi web terkontainerisasi menggunakan Amazon ECS dan AWS Fargate

Proyek ini melibatkan membangun dan menerapkan aplikasi web terkontainerisasi menggunakan Amazon ECS dan Fargate. Aplikasi menampilkan gambar kucing atau anjing acak berdasarkan pilihan pengguna.

Anda akan mendapatkan pengalaman langsung dengan kontainerisasi menggunakan Docker dan orkestrasi dengan Amazon ECS dan Fargate.

AWS Fargate adalah alat DevOps penting untuk mengelola dan menjalankan kontainer tanpa perlu menyediakan, mengonfigurasi, atau menskalakan kluster mesin virtual.

Proyek ini juga membahas pengujian beban, mengajarkan Anda cara mengevaluasi dan memastikan skalabilitas serta keandalan aplikasi web Anda di bawah berbagai kondisi trafik.

Sumber: AWS

Kesimpulan

Artikel ini menyajikan serangkaian proyek AWS yang dirancang untuk meningkatkan keterampilan di semua tingkat. Artikel ini menekankan pentingnya proyek langsung untuk mendapatkan pengalaman praktis dan kemahiran dalam layanan AWS, yang penting untuk berbagai peran teknologi.

Baik Anda menargetkan karier di teknologi cloud atau sekadar ingin meningkatkan keterampilan AWS, proyek-proyek yang diuraikan dalam artikel ini menawarkan peluang belajar yang berharga.

Untuk membangun karier yang kuat di AWS, mulailah dengan mendaftar di kursus Pengantar AWS kami lalu lanjutkan hingga mendapatkan sertifikasi. Untuk melihat sekilas opsi karier dan gaji bagi peran AWS cloud practitioner, lihat panduan terperinci kami berikutnya!