Laporan ini disusun sebagai salah satu syarat program SIB pada program studi Teknik Informatika-S1
Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Teknik Informatika
Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Semarang
2022
Laporan SIB
Laporan ini disusun sebagai salah satu syarat program SIB pada program studi Teknik Informatika-S1
Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Teknik Informatika
Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Semarang
2022
PENGESAHAN LAPORAN SIB
Supervisor Pembimbing
i
PERSETUJUAN LAPORAN SIB
Telah diperiksa dan disetujui oleh penguji sidang SIB guna mencapai gelar Sarjana
Komputer Strata Satu pada Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Semarang.
ii
ABSTRAK
Studi Independen Bersertifikat (SIB) adalah program yang ditawarkan oleh Kampus
Merdeka dimana mahasiswa dapat melakukan kegiatan pembelajaran diluar kampus dengan
bimbingan mitra Studi Independen namun tetap diakui universitas. Bangkit Academy adalah
salah satu mitra yang ada di program Studi Independen yang berfokus pada pengembangan
keterampilan mahasiswa dalam bidang teknologi dengan pemberian materi technical skill, soft
skill, dan bahasa Inggris. Bangkit Academy menawarkan 3 jalur studi, yaitu machine learning,
cloud computing, dan mobile development.
Setelah semua proses pembelajaran selesai, Bangkit memberikan tugas akhir berupa
Capstone Project yang mengharuskan ketiga jalur studi tersebut bekerja secara tim untuk
membuat aplikasi yang dapat menyelesaikan suatu permasalahan. Aplikasi yang dibuat penulis
mempunyai 2 fitur yang mempunyai kemampuan computer vision untuk melakukan klasifikasi
citra digital dan diberi nama Co-ffee. Penulis berfokus pada pengembangan di sisi pembuatan
model machine learning, pemrosesan data, dan pengumpulan data. Model dibuat
menggunakan Triple Deep Convolutional Neural Network (T-DCNN) yang merupakan
gabungan dari transfer learning 3 arsitektur VGG16, InceptionV3, dan DenseNet121. Kedua
fitur mendapatkan akurasi yang tinggi, fitur klasifikasi penyakit pada daun tanaman kopi
mendapatkan 97% akurasi dan fitur deteksi tingkat kadar air pada biji kopi hijau mendapatkan
98% akurasi.
iii
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT yang telah memberikan
rahmat dan hidayah-Nya sehingga penulis dapat melaksanakan kegiatan Studi
Independen Bersertifikat dengan Bangkit Academy dan dapat menyusun laporan studi
independen bersertifikat dengan baik dan lancar. Penulis dapat menyelesaikan
Program Bangkit Academy 2022 dengan baik atas bantuan, motivasi dan dukungan
dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada.
iv
DAFTAR ISI
v
DAFTAR PUSTAKA ............................................................................................................ 27
LAMPIRAN ........................................................................................................................... 28
vi
DAFTAR GAMBAR
vii
DAFTAR TABEL
viii
DAFTAR LAMPIRAN
ix
BAB I
PENDAHULUAN
1.1 Latar Belakang SIB
Studi Independen Bersertifikat (SIB) merupakan program pembelajaran diluar
kampus yang ditawarkan oleh Kampus Merdeka untuk mengembangkan keterampilan
dan kemampuan mahasiswa agar dapat bersaing dalam dunia industri (Kemendikbud,
2020). Proses studi yang dilakukan pada program Studi Independen akan diakui oleh
universitas dan dapat dikonversi menjadi 20 Satuan Kredit Semester (SKS). Program
ini dapat diikuti oleh mahasiswa dengan jurusan apapun berjenjang D3, D4, dan S1
yang berasal dari seluruh universitas negeri maupun swasta yang terdaftar pada
PDDikti. Studi Independen akan berlangsung selama 1 hingga 2 semester dan
mahasiswa tidak dipungut biaya sama sekali. Pada saat pelaksanaan program berlajan,
mahasiswa perlu mengisi logbook harian dan mingguan. Logbook yang sudah dibuat
oleh mahasiswa akan diperiksa oleh mentor yang sudah disediakan oleh mitra untuk
proses approval.
Bangkit Academy adalah salah satu mitra yang terdapat pada program Studi
Independen yang mempunyai tujuan mengasah kemampuan para mahasiswa dalam
bidang teknologi. Team Bangkit sudah menyediakan timeline kegiatan-kegiatan yang
akan ditempuh dari awal hingga akhir program dengan total lama waktu kegiatan 21
minggu. Pada proses pembelajaran, mahasiswa dituntut untuk menyelesaikan kelas-
kelas yang diberikan sebelum tenggat waktu yang sudah ditetapkan. Selain
menyelesaikan kelas-kelas tersebut, Bangkit Academy juga memberikan materi terkait
softskill dan Bahasa Inggris dalam bentuk pertemuan dan tugas. Terdapat total 7 kelas
technical skill yang harus diselesaikan, 7 pertemuan kelas softskill, dan 3 pertemuan
kelas bahasa inggris. Bahasa Inggris menjadi bahasa yang dikedepankan selama proses
pembelajaran, mahasiswa diharuskan dapat berkomunikasi, mengemukakan pendapat,
dan bertanya menggunakan bahasa inggris pada setiap pertemuan. Materi-materi
softskill yang diajarkan juga akan berguna saat para mahasiswa terjun ke dunia industri
yang sesungguhnya. Di tahun ini semua pertemuan diadakan secara daring, sehingga
1
semua partisipan yang ikut dapat berkonsultasi dan berkomunikasi langsung dengan
para expert di bidangnya. Pada tahap akhir proses studi, para partisipan dituntut
bekerja secara tim berkolaborasi dengan partisipan lain untuk membuat proyek akhir
yang disebut Capstone Project. Partisipan juga diberi kesempatan untuk mengikuti
sertifikasi bertaraf internasional yang diberikan oleh Google jika dapat menyelesaikan
seluruh rangkaian studi dengan baik. Bangkit Academy menyediakan materi dan bekal
yang akan dibutuhkan dan relevan di dunia industri agar dapat melahirkan lulusan-
lulusan terbaik.
2
1.3 Tujuan SIB
1. Memperoleh keterampilan softskill, bahasa Inggris, dan technical skill dari
masing-masing jalur studi (Machine Learning, Cloud Computing, dan
Mobile Development) yang dibutuhkan industri dan dapat
mengimplementasikannya untuk proses pengembangan diri.
3
BAB II
4
Capstone Project dikerjakan secara berkelompok 6 orang dengan komposisi
adanya minimal 2 Machine Learning Cohort, 1 Cloud Computing Cohort, dan 1
Mobile Development Cohort. Komposisi dari kelompok yang dimiliki penulis untuk
menyelesaikan Capstone Project adalah 3 Machine Learning Cohort, 2 Cloud
Computing Cohort, dan 1 Mobile Development Cohort.
5
2.3 Ruang Lingkup Project
Capstone project yang dibuat bertema Economic & Social Resilience
(including agricultural & food security and sustainability, infrastructure, & regional
development). Produk dibuat dengan tujuan untuk memperkuat berlangsungnya
kegiatan perekonomian pada masyarakat, khususnya pada sektor pangan. Aplikasi
terdiri dari 3 bagian teknologi, yaitu Machine Learning, Cloud Computing, dan Mobile
Development. Computer Vision menjadi dasar dari pembuatan project ini, dimana
aplikasi akan menerima input sebuah citra digital dari user untuk diproses oleh AI yang
berbasis di cloud dan hasil klasifikasi akan dilanjutkan kembali ke perangkat lunak di
sisi user.
Pada project ini, tugas dari Machine Learning engineer adalah membangun
model yang dapat menyelesaikan tugas yang diberikan, pada hal ini adalah klasifikasi
gambar. Bahasa pemrograman yang dipakai adalah Python dan pembuatan model
dilakukan menggunakan Tensorflow serta library tambahan untuk melakukan proses
labeling dan augmentasi. Pembuatan model dan proses training dilakukan di Google
Colab dan VS Code.
6
DenseNet121 berdasarkan dataset yang sudah disiapkan. Setelah fase transfer
learning selesai, ketiga hasil training akan digabungkan untuk menjadi satu model.
Terdapat 2 model yang dibuat, yaitu model untuk klasifikasi penyakit pada
daun tanaman kopi dan model untuk deteksi tingkat kadar air pada biji kopi hijau.
Dataset yang dibutuhkan adalah citra digital dari biji kopi hijau dan daun tanaman kopi
dengan berbagai kondisi. Setelah proses training selesai, model akan di-deploy ke
cloud sehingga proses pertukaran data akan berlangsung antara cloud dan software
yang terdapat pada client-side. Aplikasi yang dibuat diberi nama Co-ffee, pemberian
nama berdasar dari kata coffee, yang merupakan bahasa Inggris dari kopi. Pemisahan
yang dilakukan antara Co dan ffee serta penambahan tanda “-“ menandakan
kemampuan untuk mendukung atau membantu mengerjakan suatu hal, seperti
layaknya kata co-pilot dan co-driver. Pada hal ini, aplikasi dapat mendukung dan
membantu petani kopi, orang yang ada di industri kopi, serta penikmat kopi. Oleh
karena itu, pemberian nama Co-ffee dirasa pas dengan fungsi awal dari pembuatan
aplikasi, yaitu membantu keseluruhan industri kopi.
7
• Linear Algebra
• Multivariate Calculus
• PCA
Coursera
TF Developer Professional Certificate
21 Maret – 11 • Intro to TF
April • Convolutional Neural Network
• Natural Languange Processing
• Time Series
Coursera
4 - 11 April Structuring Machine Learning Project
Coursera
TF Data and Deployment
• Browser based Model
11 - 25 April
• Device based Model
• Data Pipelines
• Advanced Deployment Scenarios
Coursera
13 - 27 Juni
TensorFlow Certification Preparation
Dicoding
27 Juni – 4 Juli
Meniti Karier sebagai Software Developer
28 Februari – 7 Time Management
Maret
Professional Branding and Interview
14 - 21 Maret
Communication Soft Skill
28 Maret – 4 Critical Thinking
April
11 - 18 April Adaptability
8
25 April – 29 Idea Generation & MVP Planning
Mei
20 - 27 Juni Startup Valuation & Investment Pitch
4 - 11 Juli Professional Communications
7 Februari English Pre-test
7 – 14 Maret Spoken Correspondence
4 – 11 April Expressing Opinion English
16 – 23 Mei Business Presentation
20 Juni English Post-test
Self-create team form and All theme
18 – 21 April
announcement
30 Juni Submit Project Plan
9 – 16 Mei Capstone Working, Week 1
16 – 23 Mei Capstone Working, Week 2
Capstone Working, Week 3 Getting Google
23 – 30 Mei Cloud Credits, Revision Mentoring
Final Project
30 Mei – 6 Capstone Working, Week 4 Mentoring Mid-
Juni Checkpoint
6 – 13 Juni Capstone Working, Week 5 Mentoring
10 Juni Final Deliverables Deadline
13 – 20 Juni Initial Scoring
20 Juni Judging
27 Juni Announcement & Incubation Offering
Tabel 2. 1 Jadwal Bangkit Academy
9
BAB III
PEMBAHASAN PROJECT
10
Gambar 3. 1 Workflow Diagram Klasifikasi Penyakit Pada Tanaman Kopi
Gambar 3. 2 Workflow Diagram Deteksi Tingkat Kadar Air Pada Biji Kopi Hijau
11
karakteristik yang berbeda-beda untuk menghindari terjadinya overfitting. Overfitting
adalah kondisi dimana akurasi training sangat tinggi, namun akurasi pada validation
dan test rendah. Hal itu dapat terjadi karena beberapa sebab, diantaranya yaitu data
terlalu sedikit, mayoritas data mempunyai kemiripan yang sama, atau proses training
berlangsung terlalu lama sehingga model memelajari detail yang tidak perlu. Data
yang dipakai untuk proses validation dan test juga harus berasal dari sumber yang
sama dengan training data. Data-data yang sudah didapat harus diberi label agar
dipelajari oleh model. Jika dataset belum berlabel, pemberian label dapat dilakukan
secara otomatis dengan menggunakan library Tensorflow, yaitu
ImageDataGenerator.
Dataset yang dipakai untuk proses training klasifikasi penyakit pada tanaman
kopi diperoleh melalui berbagai sumber. Data yang digunakan adalah citra digital atau
foto dari daun tanaman kopi dengan kondisi yang berbeda-beda. Data diambil dari
makalah karya ilmiah berjudul RoCoLe: A robusta coffee leaf images dataset (Parraga-
Alava, Cusme, Loor, & Santander, 2019), BRACOL - A Brazilian Arabica Coffee Leaf
images dataset to identification and quantification of coffee diseases and pests
(Krohling, esgario, & Ventura, 2019), Deep learning for classification and severity
estimation of coffee leaf biotic stress (Esgario, Krohling, & Ventura, 2020),
Classifying Barako coffee leaf diseases using deep convolutional models
(MONTALBO & HERNANDEZ, 2020), dan An Optimized Classification Model for
Coffea Liberica Disease using Deep Convolutional Neural Networks (Montalbo &
Hernandez, 2020 ). Setelah data dari semua sumber tersebut digabungkan, total label
yang terdapat pada dataset ada 9 jenis, yaitu Healthy, Unhealthy, Coffee Leaf Rust
(CLR), Cercospora Leaf Spots (CLS), Phoma Leaf Spots (PLS), Coffee Leaf Miner
(CLM), Red Spider Mites (RSM), dan Sooty Molds (SM), Brown Spots Lession (BSL).
12
Gambar 3. 3 Dataset Penyakit Pada Tanaman Kopi
Ukuran total dari dataset tersebut adalah 7 Gb dan terbagi menjadi 3 tahap
berdasarkan label. Pada tahap pertama, 6000 gambar digunakan untuk training, 468
gambar digunakan untuk validation, dan 933 gambar digunakan untuk test. Pada tahap
kedua, 6000 gambar digunakan untuk training, 311 gambar digunakan untuk
validation, dan 625 gambar digunakan untuk test. Pada tahap ketiga, 6000 gambar
digunakan untuk training, 87 gambar digunakan untuk validation, dan 177 gambar
digunakan untuk test.
Data yang diproses pada tahap pertama adalah data dengan label Healthy dan
Unhealthy. Pada stage ini, klasifikasi akan dilakukan untuk menentukan kondisi awal
daun. Jika terdeteksi tidak sehat, maka proses klasifikasi akan berlanjut ke tahap
berikutnya.
Tahap selanjutnya akan mengklasifikasi data berlabel Coffee Leaf Rust (CLR),
Sooty Molds (SM), dan Brown Spots Lession (BSL). Jika Brown Spots Lession (BSL)
terdeteksi, maka proses klasifikasi akan berlanjut ke tahap berikutnya.
13
Tahap ini adalah tahap klasifikasi yang terakhir. Data dengan label Cercospora
Leaf Spots (CLS), Phoma Leaf Spots (PLS), Coffee Leaf Miner (CLM), dan Red Spider
Mites (RSM) akan diklasifikasi pada tahap ini.
Dataset yang digunakan pada fitur selanjutnya berupa gambar kumpulan biji
kopi hijau. Data ini diperoleh secara manual dengan melakukan penangkapan gambar
biji kopi secara langsung dari berbagai sudut dan kondisi. Dataset terdiri dari 5 macam
label yang menunjukan persentase kadar air yang terkandung dalam biji kopi yang
terdapat pada citra tersebut. Kadar air yang terkandung pada biji kopi akan
menentukan penggunaan yang tepat dari biji kopi tersebut.
Karena minimnya data yang didapat, augmentasi harus dilakukan dengan tujuan untuk
memperbanyak data yang ada. Total ukuran dari dataset tersebut adalah 411 Mb. Pada dataset
tersebut, 324 gambar digunakan untuk training, 92 gambar digunakan untuk validation, dan
50 gambar digunakan untuk test. Dataset dibagi menjadi 5 label yaitu 13%, 13.2%, 14%, 15%,
dan >15%. Persentase tersebut menentukan tingkat kadar air yang terdapat pada biji kopi hijau
tersebut.
14
label, Tensorflow juga menyediakan library flow_from_directory untuk memberi label
data-data tersebut berdasarkan nama folder dimana data tersebut berada.
Pada dataset yang digunakan untuk klasifikasi penyakit pada tanaman kopi,
augmentasi cukup dilakukan menggunakan ImageDataGenerator dan dilanjutkan
dengan flow_from_directory. Sedangkan pada dataset kandungan kadar air biji kopi
hijau, proses augmentasi perlu dilakukan dengan library tambahan, yaitu
Ablumentations. Proses augmentasi data ini perlu dilakukan karena dataset awal yang
sangat sedikit dan tidak memungkinkan untuk dibagi menjadi training set, validation
set, dan test set. Augmentasi dilakukan dengan melakukan operasi Flip,
RandomRotate90, Transpose, dan RandomBrightnessContrast. Hasil augmentasi
disimpan secara lokal dan dapat melipat gandakan jumlah data awal hingga 100x lipat.
Hasil augmentasi tadi akan diproses lagi dengan ImageDataGenerator dan diberi label
menggunakan flow_from_directory.
15
3.2.3 Pembangunan Model Machine Learning
Model machine learning dibangun menggunakan metode transfer learning.
Transfer learning pada bidang computer vision didasarkan pada premis bahwa model
yang dilatih pada kumpulan data besar dari gambar yang tersedia dapat digunakan
sebagai model dasar untuk mengenali fitur atau bentuk objek di dunia nyata. Melalui
transfer learning memungkinkan untuk menggunakan fitur ini tanpa melatih ulang
model dari awal (G. Jignesh Chowdary, 2020). Terdapat 3 arsitektur yang dipakai
untuk membuat model dari kedua fitur, yaitu VGG16, InceptionV3, dan DenseNet121.
16
Gambar 3. 8 Arsitektur VGG16
Layer output dari ketiga arsitektur tersebut dihilangkan dan diubah menjadi beberapa
layer baru seperti GlobalAveragePooling2D, Dense, Dropout, dan pemberian layer Dense
output baru dengan jumlah unit menyesuaikan jumlah label yang akan diprediksi. Dataset akan
melalui proses learning yang dilakukan secara bersamaan oleh ketiga arsitektur tersebut.
Setelah ketiga arsitektur memperoleh output, ketiga hasil tersebut akan digabungkan pada
layer terakhir sebelum output final, yaitu layer Average.
17
Gambar 3. 10 Kode Untuk Membuat Arsitektur DenseNet121
18
Gambar 3. 12 Kode Untuk Membuat Arsitektur VGG16
Pada model klasifikasi penyakit pada tanaman kopi, proses penggabungan akan
dilakukan pada ketiga tahap. Proses transfer learning dengan menggabungkan ketiga
arsitektur tersebut membentuk sebuah model yang bernama Triple Deep Convolutional
Neural Network (T-DCNN).
19
Gambar 3. 14 Model Arsitektur Triple Deep Convolutional Neural Network
20
3.3 Analisis dan Pencapaian Project
Tabel confusion matrix akan digunakan untuk menganalisis performa model..
Confusion matrix merupakan salah satu metode yang dapat digunakan untuk
mengukur kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix
mengandung informasi yang membandingkan hasil klasifikasi yang dilakukan oleh
sistem dengan hasil klasifikasi yang seharusnya (Ratna Pinka Baptis Dakhi, 2022).
Tabel confusion matrix dibuat berdasarkan hasil dari proses prediksi yang dilakukan
pada dataset yang digunakan untuk test dengan memakai kode model.predict. Pada
tabel confusion matrix, terdapat 3 data yang akan ditampilkan, yaitu precision, recall,
dan f1-score. Precision menunjukkan perbandingan antara jumlah dari model
memprediksi label A dan data memang mempunyai label A dengan banyaknya data
yang diprediksi memiliki label A. Recall menunjukkan perbandingan antara jumlah
dari model memprediksi label A dan data memang mempunyai label A dengan
banyaknya data yang sebenarnya memiliki label A. F1-score adalah gabungan dari
precision dan recall yang mengindikasikan bahwa model memiliki nilai precision dan
recall yang baik. Dari ketiga data diatas, f1-score adalah nilai yang perlu diperhatikan
dalam proses menganalisa model yang dibuat (Setiawan, 2020).
21
Gambar 3. 17 Kode Untuk Membuat Confusion Matrix Berdasarkan Test Set
Tingkat akurasi pada sebuah model juga ditampilkan dalam bentuk grafik
berdasarkan data yang didapatkan setelah proses training dan validation selesai.
Gambar 3. 18 Kode Untuk Membuat Grafik Berdasarkan Hasil Training dan validation
22
Gambar 3. 19 Grafik Akurasi Klasifikasi Penyakit Pada Tanaman Kopi
Grafik diatas menunjukkan hasil yang diperoleh setelah proses training pada
tahap pertama, kedua, dan ketiga. data yang ditampilkan adalah training accuracy,
validation accuracy, training loss, dan validation loss dari masing-masing arsitektur
yang dipakai. Angka pada sebelah kiri grafik menunjukkan nilai akurasi/loss dan
angka pada bawah grafik menunjukkan berapa banyak proses training validation
dilakukan. Dapat dilihat pada grafik, garis yang menunjukkan training accuracy dan
validation accuracy menunjukkan nilai yang tinggi, itu menandakan jika model
mendapatkan tingkat akurasi yang tinggi. Sedangkan pada garis yang menunjukkan
training loss dan validation loss nilai yang ditunjukkan rendah menandakan jika
tingkat kesalahan yang dimiliki arsitektur tersebut rendah. Pada beberapa grafik di
atas, terdapat garis loss yang tinggi secara tiba-tiba lalu turun secara langsung. Hal
tersebut menandakan jika arsitektur yang dipakai belum stabil dan perlu dilakukan
analisa lebih lanjut.
23
Gambar 3. 20 Tabel Confusion Matrix Klasifikasi Penyakit Pada Tanaman Kopi
Setelah proses test selesai, tabel confusion matrix menunjukkan tingkat akurasi
yang tinggi, dengan 97% pada tahap pertama, 95% pada tahap kedua, dan 99% pada
tahap ketiga. F1-score yang didapat pada keseluruhan label juga sangat tinggi
mendekati 1.0.
24
Tingkat akurasi Deteksi Tingkat Kadar Air Pada Biji Kopi Hijau adalah 98%
pada training accuracy dan 91% pada validation accuracy. Tabel confusion matrix
menunjukkan akurasi 98%.
Gambar 3. 22 Tabel Confusion Matrix Deteksi Tingkat Kadar Air Pada Biji Kopi Hijau
Setelah proses test selesai, tabel confusion matrix menunjukkan akurasi 98%
dengan f1-score yang tinggi pada keseluruhan label.
25
BAB IV
PENUTUP
4.1 Kesimpulan dan Saran
Terdapat 3 jenis keterampilan yang diberikan di seluruh rangkaian
pembelajaran pada program Bangkit Academy, yaitu technical skill, soft skill, dan
bahasa Inggris. Bangkit menyediakan 3 jalur studi yang dapat dipilih salah satu, dan
yang menjadi pembeda antara jalur studi satu dengan lainnya ada pada technical skill.
Terdapat pembelajaran softskill sebanyak 7 materi dan pembelajaran Inggris sebanyak
3 materi. Pada jalur studi machine learning, terdapat 8 kelas technical skill yang
berfokus kepada pengembangan keterampilan pada bidang machine learning. Setelah
semua fase pembelajaran selesai, Bangkit Academy memberikan tugas akhir berupa
Capstone Project yang mengharuskan ketiga jalur studi tersebut bekerja sama secara
tim untuk membuat aplikasi yang dapat menyelesaikan suatu masalah di masyarakat.
Capstone Project yang dibuat oleh penulis dan tim difungsikan untuk
membantu jalannya perekonomian pada sektor bahan baku kopi. Aplikasi yang dibuat
bernama Co-ffee dan mempunyai 2 fitur untuk mendukung keseluruhan industri kopi.
Kedua fitur tersebut adalah klasifikasi penyakit pada daun tanaman kopi dan deteksi
tingkat kadar air pada biji kopi hijau. Triple Deep Convolutional Neural Network (T-
DCNN) digunakan sebagai dasar pembuatan model dari kedua fitur tersebut.
26
DAFTAR PUSTAKA
Ciputra, W. (2022, Februari 12). 8 Daerah Penghasil Kopi Terbaik di Indonesia, Toraja dan
Sumatera Utara Masuk Daftar. Retrieved from Kompas:
https://regional.kompas.com/read/2022/02/12/142721878/8-daerah-penghasil-kopi-
terbaik-di-indonesia-toraja-dan-sumatera-utara?page=all
Esgario, J., Krohling, R., & Ventura, J. (2020, Januari 6). Deep learning for classification and
severity estimation of coffee leaf biotic stress. Retrieved from ScienceDirect:
https://doi.org/10.1016/j.compag.2019.105162
G. Jignesh Chowdary, N. S. (2020, September 17). arXiv: Face Mask Detection using Transfer
Learning of InceptionV3. Retrieved from arXiv: https://arxiv.org/abs/2009.08369
Kemendikbud. (2020). Studi Independen detail. Retrieved from Kampus Merdeka:
https://kampusmerdeka.zendesk.com/hc/en-us/articles/4416927940377-Apa-itu-
Program-Magang-Studi-Independen-Bersertifikat-
Krohling, R., esgario, J., & Ventura, J. (2019, November 7). BRACOL - A Brazilian Arabica
Coffee Leaf images dataset to identification and quantification of coffee diseases and
pests. Retrieved from Mendeley Data: 10.17632/yy2k5y8mxg.1
Montalbo, F., & Hernandez, A. (2020 ). An Optimized Classification Model for Coffea
Liberica Disease using Deep Convolutional Neural Networks. Retrieved from IEEE
International Colloquium on Signal Processing & Its Applications (CSPA):
10.1109/CSPA48992.2020.9068683
MONTALBO, F., & HERNANDEZ, A. (2020, Juli). Classifying Barako coffee leaf diseases
using deep convolutional models. Retrieved from International Journal of Advances
in Intelligent Informatics: https://doi.org/10.26555/ijain.v6i2.495
Parraga-Alava, J., Cusme, K., Loor, A., & Santander, E. (2019, Mei 17). RoCoLe: A robusta
coffee leaf images dataset. Retrieved from Mendeley Data: 10.17632/c5yvn32dzg.2
Ratna Pinka Baptis Dakhi, A. M. (2022, Juni 17). Journal of Information System, Informatics,
and Computing (JISICOM): SENTIMENT ANALYSIS OF PUBLIC OPINIONS ON
THE EFFECTIVENESS OF ONLINE LEARNING USING NAÏVE BAYES
ALGORITHM. Retrieved from Journal of Information System, Informatics, and
Computing (JISICOM):
https://journal.stmikjayakarta.ac.id/index.php/jisicom/article/view/822
Setiawan, S. (2020, Juli 12). Membicarakan Precision, Recall, dan F1-Score. Retrieved from
Medium: https://stevkarta.medium.com/membicarakan-precision-recall-dan-f1-
score-e96d81910354
27
LAMPIRAN
https://drive.google.com/drive/folders/1WaI9rQo7gBEZzdL7b40X_ciEuAy9DC-
R?usp=sharing
Lampiran 2. Link Dataset Deteksi Tingkat Kadar Air Pada Biji Kopi Hijau
https://drive.google.com/drive/folders/1-CE_k_GMds2kOJDB-
WfG_CCh3JN3w_ZI?usp=sharing
Lampiran 3. Link Dataset Klasifikasi Penyakit Pada Daun Tanaman Kopi
https://github.com/ivandityap/Co-ffee_MoistureDetection
Lampiran 4. Github Repository Link Deteksi Tingkat Kadar Air Pada Biji Kopi Hijau
https://github.com/arsyakaukabi/Co-ffee_A
Lampiran 5. Github Repository Link Klasifikasi Penyakit Pada Daun Tanaman Kopi
28
https://youtu.be/wM2am3h2MOw
Lampiran 6. Link Video Presentasi
https://docs.google.com/presentation/d/1kuqVxRPf6vedn9VQx_TTvIo-QvSosnP-
jWrUL9i3rz0/edit?usp=sharing
Lampiran 7. Link Slide Presentasi
https://docs.google.com/presentation/d/12EQvvbQfQQoVxc7T6daZSmst4l-
qsaP82aHTFVqQdzE/edit?usp=sharing
Lampiran 8. Link Slide Go-To Market
https://docs.google.com/spreadsheets/d/1_wFw1megojjkw_NU_XOBtB1urZOG1AiQxDg7
XIUtdlU/edit?usp=sharing
Lampiran 9. Logbook Harian
29