Panduan ChatGPT Work dengan GPT-5.6: Data Science Ujung-ke-Ujung di Peramban Anda

GPT-5.6 adalah keluarga model terbaru OpenAI, tersedia dalam tiga tingkatan: Sol untuk penalaran mendalam, Terra untuk pekerjaan harian yang seimbang, dan Luna untuk tugas-tugas cepat dan ringan.

Bersamaan dengan itu, OpenAI meluncurkan ChatGPT Work, sebuah ruang kerja proyek di dalam ChatGPT yang dibuat untuk alur kerja multi-langkah berbasis file.

ChatGPT Work memungkinkan Anda mengunggah file, mempertahankan konteks di seluruh prompt, serta menghasilkan kode, visualisasi, dan alat interaktif—semuanya di peramban tanpa perlu setup lokal.

Dalam panduan ini, saya akan menunjukkan cara membangun proyek prediksi churn pelanggan bank secara lengkap sepenuhnya di dalam ChatGPT Work. 

Kita akan mengunggah dataset dunia nyata, mengaudit dan membersihkan data, serta mengeksplorasinya dengan visualisasi.

Lalu kita akan melatih dan membandingkan beberapa model machine learning, mengevaluasi yang berkinerja terbaik, dan mendeply antarmuka web interaktif untuk prediksi churn secara real-time.

Pada akhirnya, Anda akan memiliki paket proyek lengkap dengan data yang sudah dibersihkan, bagan, hasil model, dan demo yang berfungsi—semuanya dibuat tanpa meninggalkan peramban Anda.

Apa Itu ChatGPT Work?

ChatGPT Work adalah agen khusus di dalam ChatGPT yang dirancang untuk tugas-tugas ambisius dan multi-langkah yang jauh melampaui tanya jawab sederhana. 

Agen ini dapat mengumpulkan informasi di berbagai aplikasi dan alur kerja Anda, membuat materi jadi seperti spreadsheet, slide, dokumen, dan aplikasi web, serta mendampingi proyek kompleks selama berjam-jam dengan memecahnya menjadi langkah-langkah kecil dan menyelesaikannya secara mandiri.

Dengan teknologi Codex yang terintegrasi, ChatGPT Work melampaui sekadar menjawab pertanyaan dengan benar-benar menyelesaikan pekerjaan di web, seluler, dan desktop. 

Anda dapat mengikuti progresnya, menjawab pertanyaan, mengubah arah, dan menyetujui tindakan penting selama ia bekerja.

ChatGPT Work didukung GPT-5.6, yang menjadikannya terkini dalam menalar tugas multi-langkah dan membuat materi yang mengikuti templat serta file referensi Anda. 

Agen ini juga mendukung Scheduled Tasks, sehingga dapat terus mendorong proyek meskipun Anda sedang tidak aktif, misalnya mengubah pesan baru dari Teams atau Slack menjadi dokumen yang diperbarui dan membagikan perubahannya ke tim Anda.

Langkah 1: Mengunggah Dataset ke ChatGPT Work

Setiap proyek data science dimulai dari data. Pada langkah ini, kita akan membuat ruang kerja khusus di ChatGPT Work dan memasukkan dataset churn pelanggan bank agar dapat mulai mengerjakannya.

Buka ChatGPT di peramban Anda dan klik tab Work. Lalu klik Choose Project di kiri bawah kolom chat, pilih New project, beri nama Bank Customer Churn Prediction.

Pastikan juga GPT 5.6 Sol Light dipilih, karena ini tugas sederhana dan kita tidak memerlukan penalaran tingkat tinggi. 

Antarmuka seharusnya menampilkan tab Work aktif, nama proyek Anda di bagian bawah chat, dan dropdown model disetel ke 5.6 Sol Light.

Selanjutnya, unduh Churn_Modelling.csv dari Kaggle. 

Untuk mengunggahnya, klik ikon plus (+) di area input pesan, pilih file dari komputer Anda, dan lampirkan ke percakapan. File akan muncul sebagai kartu spreadsheet di atas kolom input, siap untuk dikirim. 

Langkah 2: Audit dan Pembersihan Data dengan GPT-5.6

Data mentah jarang sempurna. Sebelum membangun model apa pun, kita perlu memahami apa yang kita hadapi dan memperbaiki masalah yang dapat menyimpangkan hasil. 

Tempel prompt ini ke kotak input dan tekan enter:

Audit and prepare the dataset for analysis. 
Check the number of rows and columns, data types, missing values, duplicate records, invalid values, target distribution, and possible data leakage. 
Use Exited as the target variable. Exclude RowNumber, CustomerId, and Surname from the model because they are identifiers. 
Treat Geography and Gender as categorical variables. 
Preserve the original dataset and explain every cleaning decision.

Setelah mengirim prompt, ChatGPT Work akan menggunakan keterampilan dan alat bawaannya untuk membaca dataset, memahami strukturnya, dan memberikan ringkasan audit yang terstruktur.

Anda juga dapat menelusuri berbagai langkah yang diambil ChatGPT Work untuk menghasilkan ringkasan audit ini. 

Langkah-langkah ini terlihat di utas percakapan dan menunjukkan bagaimana model menganalisis data, menerapkan aturan validasi, dan mencapai setiap kesimpulan. 

Di kanan atas chat, klik tombol poin-poin untuk membuka panel Outputs. 

Panel ini akan menampilkan dua file yang dihasilkan: file CSV yang sudah dibersihkan dan laporan audit lengkap dalam format markdown.

Langkah 3: Membuat Visualisasi Data di Lingkungan ChatGPT Work

Angka saja tidak menceritakan keseluruhan kisah. Pada langkah ini, kita akan mengubah data yang sudah dibersihkan menjadi bagan dan grafik yang mengungkap pola churn pelanggan.

Kita akan membuat serangkaian visualisasi yang menunjukkan distribusi churn secara keseluruhan, merinci tingkat churn menurut berbagai segmen pelanggan, dan membandingkan fitur numerik antara pelanggan yang bertahan dan yang keluar. 

Kita juga akan membuat peta panas korelasi untuk melihat bagaimana variabel numerik saling berhubungan.

Tempel prompt ini:

Perform exploratory data analysis and create clear visualizations focused on customer churn.
Begin with a bar chart showing the overall distribution of customers who stayed and customers who exited. 
Then visualize churn rates by geography, gender, number of products, credit-card ownership, and active-member status. 
Create suitable histograms or box plots to compare age, credit score, account balance, tenure, and estimated salary between customers who stayed and customers who exited. 
Also, create a correlation heat map for the numerical variables.
Use descriptive chart titles, clearly labeled axes, readable legends, and appropriate chart types. 
Report churn rates rather than only customer counts. 
After each chart, provide a short explanation of the main pattern and state whether the finding should be investigated further. 
Do not describe any relationship as causal.

Hasilnya, ChatGPT Work akan menghasilkan kode Python untuk melakukan analisis dan membuat semua visualisasi. Kemudian agen ini akan menyusunnya menjadi laporan PDF profesional. Laporan akan mencakup setiap bagan beserta penjelasannya, ditambah ringkasan temuan utama.

Anda dapat menelusuri file yang dihasilkan langsung di ChatGPT Work atau mengunduhnya untuk ditinjau secara lokal. 

Panel Outputs akan mencantumkan laporan PDF bersama file bagan individual atau notebook kode yang dibuat selama proses.

Langkah 4: Membangun dan Membandingkan Model

Sekarang kita sudah memahami data, saatnya melatih model yang dapat memprediksi pelanggan mana yang kemungkinan akan keluar. 

Kita akan membangun pipeline machine learning yang tepat, membandingkan beberapa algoritma, dan memilih yang terbaik berdasarkan metrik yang kuat.

Tempel prompt ini:

Build a machine learning pipeline for predicting customer churn. 
Use a stratified train-test split and keep the test set untouched during model selection. 
Fit all preprocessing steps only on the training data, one-hot encode categorical variables, scale numerical variables where required, and use a fixed random seed. 
Compare a dummy classifier, logistic regression, random forest, and gradient boosting model. 
Evaluate each model using accuracy, precision, recall, F1 score, ROC-AUC, and PR-AUC. 
Present the results in a comparison table and recommend the strongest model.

Setelah mengirim prompt, ChatGPT Work akan menghasilkan skrip pipeline scikit-learn yang dapat direproduksi dan menjalankannya.

Anda akan melihat pembaruan progres di utas percakapan yang menunjukkan setiap tahap: memeriksa pustaka, menjalankan pipeline, melakukan cross-validation hanya pada set pelatihan, dan memverifikasi hasil akhir.

Setelah selesai, Anda akan melihat tabel perbandingan yang rapi dengan keempat model berperingkat berdasarkan metriknya. 

Tabel mencakup akurasi, presisi, recall, F1, ROC-AUC, dan PR-AUC untuk masing-masing model. 

Dalam proyek ini, model Gradient Boosting muncul sebagai yang berkinerja terkuat, unggul pada PR-AUC dan ROC-AUC.

Langkah 5: Mengevaluasi Kinerja Model Prediktif

Setelah model terbaik dipilih, kini kita perlu melihat seberapa baik kinerjanya pada data yang belum pernah dilihat sebelumnya. 

Kita akan menjalankan evaluasi penuh pada set uji yang belum tersentuh dan membuat visualisasi yang memudahkan pemahaman hasilnya.

Tempel prompt ini:

Evaluate the selected model on the untouched test set. 
Report the confusion matrix, accuracy, precision, recall, F1 score, ROC-AUC, PR-AUC, false positives, and false negatives. 
Create a confusion-matrix heat map, ROC curve, precision-recall curve, and feature-importance chart. 
Explain what each visualization means in simple language and identify the most important predictive factors. 
Do not claim that any feature causes customer churn.

Setelah mengirim prompt, ChatGPT Work akan mengevaluasi model Gradient Boosting pada set uji yang disisihkan dan menghasilkan laporan PDF yang komprehensif. 

Laporan akan mencakup empat visualisasi. 

• Peta panas confusion matrix menunjukkan jumlah prediksi benar dan salah secara sekilas. 
• Kurva ROC menggambarkan seberapa baik model memisahkan pelanggan yang churn dan yang tidak di berbagai ambang batas. 
• Kurva precision-recall menyoroti trade-off antara menangkap pelanggan yang churn dan menghindari alarm palsu. 
• Bagan feature importance mengurutkan variabel yang paling banyak diandalkan model, dengan usia, jumlah produk, status anggota aktif, saldo rekening, dan geografi biasanya muncul sebagai faktor utama.

Langkah 6: Mendeploy Aplikasi Web Langsung lewat ChatGPT Work Sites

Model yang hanya ada di laporan sulit untuk dibagikan. Pada langkah ini, kita akan mengubah model prediksi churn terlatih menjadi aplikasi web interaktif langsung yang dapat dibuka dan diuji siapa saja.

Tempel prompt ini:

Create a simple interactive web interface inside ChatGPT Work to test the selected customer churn model. 
Include input fields for all customer features and display whether the customer is predicted to stay or exit, along with the churn probability. 
Add input validation and a reset button, and ensure the interface uses the same preprocessing pipeline and model evaluated on the test set.

ChatGPT Work dilengkapi fitur bernama Sites, yang memungkinkan Anda membangun dan mendeploy aplikasi web langsung dari proyek Anda. 

Saat Anda mengirim prompt ini, ChatGPT Work terlebih dahulu akan menyelaraskan keluaran model dengan kebutuhan UI, lalu menggunakan HTML, JavaScript, dan CSS untuk membuat aplikasinya.

Agen ini juga akan menyediakan tautan untuk mengujinya. Langkah ini memakan waktu paling lama karena melibatkan pengaitan prediksi model ke antarmuka yang halus dan merespons seketika terhadap input pengguna.

Saat Anda mengeklik tautan, aplikasi web akan terbuka di dalam antarmuka ChatGPT. Anda akan melihat kolom input untuk semua fitur pelanggan, seperti usia, masa langganan (tenure), saldo rekening, dan gaji. 

Anda dapat mengujinya dengan memasukkan berbagai nilai, dan dalam hitungan milidetik, Anda akan mendapatkan hasil prediksi apakah pelanggan kemungkinan bertahan atau keluar, beserta probabilitas churn-nya.

Responsnya akurat dan cepat, memberi Anda gambaran nyata tentang kinerja model dengan data pengguna sesungguhnya.

Dengan cara ini, Anda dapat memvalidasi model untuk pengguna nyata tanpa menulis satu baris pun kode backend atau menyiapkan server apa pun.

Langkah 7: Mengekspor Proyek dan Laporan Akhir dari ChatGPT Work

Setiap proyek yang solid layak mendapat ringkasan yang rapi. Pada langkah ini, kita akan mengumpulkan semua yang telah dibangun ke dalam satu dokumen profesional yang menceritakan keseluruhan proses dari data mentah hingga prediksi langsung.

Tempel prompt ini:

Create a final project report covering the initial data analysis, data visualizations, model training, model comparison, final evaluation, and key findings. 
Include screenshots of the customer churn web interface, explain how to use it, and demonstrate that the prediction demo works with example customer profiles. 
Present the report in a clear, professional structure with concise explanations.

Setelah mengirim prompt, ChatGPT Work akan menggabungkan keseluruhan proyek menjadi satu PDF. 

Anda akan melihat pembaruan progres yang menunjukkan bagaimana agen ini mengumpulkan analisis terverifikasi, hasil model, bagan evaluasi, dan tangkapan layar antarmuka web langsung. 

Agen ini juga akan menghasilkan dua profil pelanggan contoh—satu menunjukkan prediksi bertahan dan satu menunjukkan prediksi keluar—untuk membuktikan demo berfungsi.

Setelah selesai, panel Outputs akan mencantumkan PDF laporan akhir. 

Laporan mencakup audit data, analisis eksploratori, visualisasi, pelatihan model, perbandingan model, evaluasi akhir, temuan utama, keterbatasan, petunjuk penggunaan antarmuka, dan dua contoh prediksi yang berfungsi. 

Anda dapat membukanya langsung di ChatGPT Work atau mengunduhnya untuk dibagikan ke orang lain.

ChatGPT Work menyimpan semua file proyek Anda di panel Outputs, namun mengunduhnya satu per satu bisa melelahkan. 

Cara termudah untuk mendapatkan semuanya sekaligus adalah meminta ChatGPT Work untuk membundelkannya ke dalam satu file ZIP dengan folder yang rapi.

Tempel prompt: 

Create a ZIP file containing all project outputs, including the cleaned dataset, visualizations, model comparison table, evaluation results, final report, web interface files, and screenshots. 
Organize the files into clearly named folders and provide the completed ZIP file for download. 

Setelah mengirim prompt, ChatGPT Work akan mengumpulkan setiap file yang dihasilkan dan mengaturnya ke dalam folder seperti data, visualizations, reports, modeling, evaluation, dan web_interface. 

Setelah diunduh, Anda dapat mengekstraknya secara lokal dan menelusuri setiap artefak dari proyek, mulai dari dataset asli yang telah dibersihkan hingga aplikasi prediksi langsung terakhir. 

Penutup

Menurut saya, ChatGPT Work mengubah cara data science dikerjakan.

Semua terjadi di peramban Anda, tanpa instalasi, setup lingkungan, atau kerumitan dependensi. 

Anda mengunggah file, mengirim prompt, dan melihatnya membersihkan data, membuat bagan, melatih model, serta mendeploy aplikasi langsung dalam satu alur.

Rasanya mirip dengan alat seperti Claude Code, tetapi perbedaannya ada pada kecepatan dan kesederhanaan. Anda tidak perlu mengonfigurasi apa pun. Tidak ada paket yang harus dikelola. Anda tidak menunggu kernel untuk mulai. 

Anda cukup berbicara, dan ia membangun. 

Model menganalisis data Anda, melatih dirinya, mengevaluasi dirinya, lalu menyajikan dirinya melalui antarmuka web yang dapat Anda bagikan atau uji seketika.

Dibandingkan setup lokal dengan VS Code, ekstensi, dan notebook yang tersebar, saya merasa ini dunia yang berbeda. Tidak ada ruang disk yang habis oleh environment. Tidak ada konflik versi. Tidak ada perpindahan konteks antar sepuluh alat berbeda. Anda tetap di satu tempat, dan proyek tumbuh di sekitar Anda.

Bagi siapa pun yang ingin beranjak dari data mentah ke demo prediksi yang berfungsi tanpa menyentuh terminal, ChatGPT Work dengan GPT-5.6 adalah jalur tercepat ke sana.