LAPORAN AKHIR

STUDI INDEPENDEN BERSERTIFIKAT

AI Mastery Program
Di Orbit Future Academy

Diajukan untuk memenuhi persyaratan kelulusan

Program MSIB MBKM

oleh :
Muhammad Abubakar Rizvi / 03041381924096

TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS SRIWIJAYA
2022
 Lembar Pengesahan
Jurusan Teknik Elektro Universitas Sriwijaya

Aplikasi Pembaca Nilai Mata Uang sebagai Sarana Pembantu

Penyandang Tuna Netra

Di Orbit Future Academy

oleh :
Muhammad Abubakar Rizvi / 03041381924096

disetujui dan disahkan sebagai

Laporan Magang atau Studi Independen Bersertifikat Kampus Merdeka

Palembang, Juni 2022

Dosen Pembimbing Akademik Mahasiswa

DR. ENG. SUCI DWIJAYANTI, S.T., M.S.

NIP. 198407302008122001
 Lembar Pengesahan

Aplikasi Pembaca Nilai Mata Uang sebagai Sarana Pembantu

Penyandang Tuna Netra

Di Orbit Future Academy

oleh :
Muhammad Abubakar Rizvi / 03041381924096

disetujui dan disahkan sebagai

Laporan Magang atau Studi Independen Bersertifikat Kampus Merdeka

Jakarta
AI Coach

Ade Iriani Sapitri, M.Kom

NIP. 2205119
 Abstraksi

Studi Independen Bersertifikat merupakan program yang diadakan oleh Kampus

Merdeka dan bertujuan untuk memberikan pengalaman serta ilmu dan
keterampilan bagi mahasiswa yang tidak dapat di bangku perkuliahan. Orbit
Future Academy merupakan salah satu mitra kampus merdeka yang berfokus pada
pengenalan dan mempelajari ilmu tentang Artificial Intelegent dengan salah satu
programnya yaitu AI Mastery yang diperuntukkan bagi mahasiswa yang ingin
mengembangkan ilmu kecerdasan buatan dan menerapkannya di kehidupan nyata.
Di akhir program, terdapat project akhir yang harus diselesaikan mahasiswa
sebagai syarat kelulusan untuk program ini. Yang mana, penulis telah membuat
project akhir berjudul “Aplikasi Pembaca Nilai Mata Uang sebagai Sarana
Pembantu Penyandang Tuna Netra” yaitu aplikasi bernama “Vispair” berbasis
android yang dapat mendeteksi nilai mata uang dengan memanfaatkan metode
YOLO versi ke 4 dan diperuntukkan untuk kaum tunanetra agar dapat
memudahkan dalam mendeteksi uang di kehidupan sehari hari. Diharapkan
dengan adanya aplikasi ini, kaum tunanetra menjadi terbantu untuk menjalankan
aktifitas sehari-hari terutama dalam kegiatan jual beli yang berhubungan dengan
uang. Walaupun aplikasi tidak dapat berjalan sebagaimana yang diinginkan,
diharapkan di waktu mendatang terdapat pengembangan yang signifikan agar
aplikasi dapat digunakan dan bermanfaat untuk masyarakat yang membutuhkan
Kata kunci: Artificial Intelegent, Vispair, YOLO, Tunanetra.
 Kata Pengantar

Puji dan syukur kehadirat Allah SWT., karena berkat rahmat dan karunia-Nya,
penulis dapat menyelesaikan Laporan Akhir Studi Independen Bersertifikat yang
berjudul “Aplikasi Pembaca Nilai Mata Uang sebagai Sarana Pembantu
Penyandang Tuna Netra” dengan baik dan lancar. Adapun tujuannya untuk
melengkapi persyaratan kelulusan Program MSIB MBKM.

Dalam penyusunan laporan ini penulis banyak mendapatkan bantuan dari

berbagai pihak yang telah memberikan masukan kepada penulis. Oleh sebab itu,
penulis ingin mengucapkan terima kasih kepada :
1. Ade Iriani Sapitri, M.Kom selaku homeroom Coach di kelas Khasanah Ilmi
yang telah memberikan masukkan dan saran selama proses pelaksanaan
projek akhir ini
2. Tri Wulandary, Muhammad Azis dan Rabbiul Rahmat selaku teman 1 tim yang
saling bekerja sama untuk menyelesaikan laporan akhir tersebut

Penulis menyadari bahwa dalam penulisan dan penyusunan laporan ini masih
terdapat kekurangan dan jauh dari kata sempurna. Oleh karena itu, penulis sangat
mengharapkan bantuan berupa saran dan kritik yang bersifat membangun dan
membantu penulis dalam penyempurnaan projek akhir ini. Akhir kata penulis
mengucapkan terima kasih atas izin serta kesempatan yang akan diberikan oleh
intansi kepada penulis.

Palembang, Juni 2022

Mahasiswa

Muhammad Abubakar Rizvi

NIM. 03041381924096
 Daftar Isi

Bab I Pendahuluan .................................................................................................1

I.1 Latar belakang ..........................................................................................1
I.2 Lingkup.....................................................................................................2
I.3 Tujuan .......................................................................................................3
Bab II Orbit Future Academy ................................................................................4
II.1 Struktur Organisasi..................................................................................4
II.2 Lingkup Pekerjaan ..................................................................................5
II.3 Deskripsi Pekerjaan.................................................................................6
II.4 Jadwal Kerja ............................................................................................ 6
Bab III Aplikasi Pembaca Nilai Mata Uang sebagai sarana pembantu penyandang
Tuna Netra ............................................................................................................. 8
III.1 Latar Belakang Proyek Akhir ................................................................8
III.2 Proses Pelaksanaan Proyek Akhir..........................................................8
III.3 Hasil Proyek Akhir ..............................................................................12
Bab IV Penutup....................................................................................................13
IV.1 Kesimpulan ..........................................................................................13
IV.2 Saran ....................................................................................................13
Bab V Referensi ...................................................................................................14
Bab VI Lampiran A. TOR ...................................................................................16
Bab VII Lampiran B. Log Activity ......................................................................19
Bab VIII Lampiran C. Dokumen Teknik ............................................................. 20
 Daftar Tabel

Tabel 2.1 Agenda Kelas ...................................................................................... 7

Tabel 6.1 Jadwal Pelaksanaan .............................................................................18
Tabel 7.1 Log Activity ..........................................................................................19
 Daftar Gambar

Gambar 2.1 Logo Orbit Future Academy ..............................................................4

Gambar 2.2 Struktur Organisasi OFA ...................................................................5
Gambar 3.1 Proses Label dataset menggunakanwebsite makesense.ai .................9
Gambar 3.2 Output dari cell !nvidia-smi .............................................................10
Gambar 3.3 Kode Import Google drive ke Google.colab ....................................10
Gambar 3.4 Kode membuat file yolov4_training.cfg ..........................................11
Gambar 3.5 Kode membuat file obj.data .............................................................11
Gambar 3.6 Kode download file pre-training dari github ...................................11
Gambar 3.7 kode untuk unzip file .......................................................................11
Gambar 3.8 Kode train dataset YOLO ................................................................11
Gambar 3.9 Kode train dataset untuk memulai saat terakhir terjadinya error .....11
Gambar 3.10 Hasil dari train data ........................................................................12
Gambar 3.11 Tampilan awal aplikasi ..................................................................12
Gambar 8.1 Output dari test data menggunakan gambar sampel ........................21
Gambar 8.2 Output dari test data menggunakan gambar dari webcam ...............22
Gambar 8.3 Tampilan dari Android Studio .........................................................22
Gambar 8.4 Tampilan halaman depan aplikasi ....................................................24
Gambar 8.5 Tampilan aplikasi saat mendeteksi dan menghitung uang ...............25
 Bab I Pendahuluan

I.1 Latar belakang

Program Studi Independen Bersertifikat dari Orbit Future Academy
merupakan bagian dari program Kampus Merdeka yang diselenggarakan oleh
Kementerian Pendidikan dan Budaya (KEMENDIKBUD) yang bertujuan untuk
memberikan kesempatan dalam pengembangan diri dan melatih kemampuan serta
mendapatkan ilmu yang tidak dapat pada kelas perkuliahan. Program Studi
Independen Bersertifikat dari Orbit Future Academy bergerak pada pengembangan
Artificial Intelegent (AI) yang terbagi menjadi 2 program yaitu AI for Gen Z dan AI
Mastery. Program AI for Gen Z bertujuan untuk pelatihan mahasiswa yang baru
mengenal tentang kecerdasan buatan sehingga dapat memberikan solusi dari
permasalahan ataupun inovasi menggunakan AI [1]. Sedangkan Program AI
Mastery ditunjukkan kepada mahasiswa yang telah memiliki kemampuan program
mendasar dan ingin melatih pengalaman dan keterampilan secara mendalam yang
dirancang untuk menjadi pakar di bidang AI, tenaga pendidik dan mentor di AI, dan
lain sebagainya [2].
Program yang saat ini sedang diikuti oleh penulis adalah program studi
independen AI Mastery. Berkaitan dengan program yang diikuti penulis, adapun
latar belakang dan tujuan penulis mengikuti program tersebut dikarenakan ingin
mengembangkan sebuah kecerdasan buatan yang dapat membantu kaum disabilitas
dalam menjalankan kegiatan sehari hari. Yang mana, penulis menentukan projek
akhir berbasis aplikasi yang dapat mengidentifikasi nominal uang dan
diperuntukkan untuk kaum tunanetra yang sampai saat ini masih kesulitan dalam
mengenali nominal mata uang.

1
I.2 Lingkup
1. AI of Mastery
Program yang berfokus pada pengembangan AI Readiness atau kesiapan AI,
mempersiapkan mahasiswa dengan keterampilan dasar yang dibutuhkan
dalam pekerjaan di masa mendatang. Program ini bertujuan untuk
mengembangkan mindset dan skill set dalam dunia yang telah
berdampingan dengan AI [2]
2. Python
Python adalah bahasa pemrograman bermetode Oriented Object Program
(OOP) dengan manajemen memori otomatis (pointer). Program operasi
Python dapat dijalankan hampir pada semua sistem operasi seperti Windows,
Linux, Mac Os, Android, dan lain-lain [3].
3. Machine Learning
Secara artian, machine learning atau pembelajaran menis adalah ilmu yang
mempelajari algoritma dan model statistik yang terpasang dalam sistem
komputer untuk melakukan tugas tertentu tanpa instruksi manual [4].
4. Reinforcement Learning
Reinforcement Learning merupakan suatu mesin atau perangkat lunak yang
dapat melatih diri secara kontinyu berdasarkan kondisi dan pengaruh
lingkungan serta mempelajari pengetahuan untuk memecahkan suatu
masalah. Proses self learning dari mesin ini lebih sedikit melibatkan campur
tangan manusia sehingga dapat menghemat waktu [4].
5. Computer Vision
Menurut Ibnu firnas (2021), Computer Vision merupakan suatu kemampuan
dari pengembangan teknologi informasi yang mampu melakukan
pendeteksian atau pembacaan akan objek yang dilihat melalui sebuah
perangkat yang terhubung [5].
6. Natural Language Processing
Natural Language Processing (NLP) merupakan sebuah model komputasi
yang dapat memungkinkan terjadinya interaksi antara manusia dengan
komputer dalam perantaraan alami yang digunakan oleh manusia baik

2
 kedalam bentuk teks (tertulis) maupun verbal (ucapan). NLP memodelkan
kemampuan terhadap komputasi dari segi kata hingga digabung menjadi
suatu kalimat dan konteks yang terstruktur [6].
7. Data Science
Data Science merupakan ilmu yang dapat memperoleh pengetahuan melalui
data. Dalam definisi lain, data science merupakan segala hal yang
berhubungan dengan mengambil data, menggunakan data untuk
memperoleh pengetahuan, dan kemudian menggunakan pengetahuan
tersebut untuk berbagai tujuan seperti membuat keputusan, memprediksi
masa depan, ataupun menciptakan produk atau industri baru [7].
8. AI Technology
Studi komputasi yang dikhususkan untuk menyelesaikan masalah yang
biasanya terkait dengan kecerdasan manusia seperti pembelajaran,
pemecahan masalah, dan pengenalan pola. Singkatnya, kecerdasan buatan
atau Artificial Intelegent merupakan kemampuan dari sebuah mesin yang
dapat menirukan perilaku dan memiliki kemampuan seperti manusia.
Penerapannya dapat berupa mesin, robotika, dan perangkat lunak [8].

I.3 Tujuan
Tujuan dari megikuti program MSIB :
1. Untuk menambah ilmu, skill, serta pengalaman yang tidak didapatkan pada
bangku perkuliahan
2. Ikut berkontribusi dalam perkembangan teknologi di Tanah Air terutama
dibidang Artificial Intelegent (AI) dan Internet of Things (IOT)
3. Merancang perangkat lunak yang dapat membantu kaum disabilitas

3
 Bab II Orbit Future Academy

II.1 Struktur Organisasi

Gambar 2.1 Logo Orbit Future Academy

Orbit Future Academy (OFA) didirikan pada tahun 2016 dengan tujuan untuk
meningkatkan kualitas hidup melalui inovasi, edukasi, dan pelatihan keterampilan.
Label atau brand Orbit merupakan kelanjutan dari warisan mendiang Prof. Dr. Ing.
B. J. Habibie (presiden Republik Indonesia ke-3) dan istrinya, Dr. Hasri Ainun
Habibie. Mereka berdua telah menjadi penggerak dalam mendukung perkembangan
inovasi dan teknologi pendidikan di Indonesia. OFA mengkurasi dan melokalkan
program/kursus internasional untuk upskilling atau reskilling pemuda dan tenaga
kerja menuju pekerjaan masa depan. Hal ini sesuai dengan slogan OFA, yakni
“Skills-for-Future-Jobs”.

Visi:
Memberikan pembelajaran berbasis keterampilan transformatif terbaik untuk para
pencari kerja & pencipta lapangan kerja.

Misi:
1. Membangun jaringan Orbit Transformation Center (OTC) secara nasional
untuk menyampaikan kurikulum keterampilan masa depan berbasis
sertifikasi melalui Platform Konten Digital.

4
 2. Secara proaktif bekerja dengan pemerintah & organisasi dengan mengubah
tenaga kerja mereka agar sesuai dengan perubahan pekerjaan yang terjadi
karena Industri 4.0.
3. Melatih pemuda dengan keterampilan kewirausahaan & mencocokkan
mereka dengan peluang masa depan yang muncul di berbagai industri.
4. Menghubungkan jaringan inkubator dan akselerator yang dikurasi ke
industri, investor, dan ekosistem start-up global.

Struktur organisasi OFA dapat dilihat pada Gambar 2.2.

Gambar 2.2 Struktur Organisasi OFA

II.2 Lingkup Pekerjaan

Seorang fasilitator akan mendampingi kurang lebih 40 peserta MSIB (student)
dalam satu kelas. Terdapat dua jenis fasilitator, yakni:
a. Homeroom Coach
Homeroom coach bertugas menyampaikan materi tentang dasar-dasar AI,
memberikan penilaian pada student, dan mengarahkan student saat
pengerjaan Proyek Akhir (PA).

5
 b. Domain Coach
Domain coach bertugas menyampaikan materi tentang domain AI dan
memberikan penilaian pada student.
Lingkup pekerjaan student adalah mengikuti kelas bersama homeroom atau domain
coach, sesuai agenda kelas, hingga program selesai.

II.3 Deskripsi Pekerjaan

Berikut adalah deskripsi pekerjaan student sebelum pengerjaan PA:
a. Mengikuti pre-test.
b. Mengikuti kelas sesi pagi pada pukul 08.00 hingga 11.30 WIB.
c. Mengikuti kelas sesi siang pada pukul 13.00 hingga 16.30 WIB.
d. Mengulang materi yang telah disampaikan di kelas sesi pagi dan siang,
setelah kelas sesi siang, selama 1 jam (self-study).
e. Mengerjakan latihan individu atau kelompok yang diberikan oleh
homeroom atau domain coach saat kelas berlangsung.
f. Mengerjakan tugas yang diberikan homeroom atau domain coach hingga
batas waktu tertentu.
g. Mengerjakan mini project yang diberikan homeroom atau domain coach
hingga batas waktu tertentu
h. Mengikuti post-test.

Student memiliki peran sebagai modeling yolo V4 dataset selama pengerjaan PA,
dengan deskripsi pekerjaan sebagai berikut:
a. Data acquisition
b. Data Exploriation YOLO V4

II.4 Jadwal Kerja

Program ini berlangsung setiap hari kerja (Senin sampai dengan Jumat) selama
8 jam per harinya, dengan rincian sebagai berikut:

6
 Tabel 2.1 Agenda Kelas
Pukul (WIB) Durasi (jam) Aktivitas
08.00 s.d. 11.30 3.5 Kelas Sesi Pagi
13.00 s.d. 16.30 3.5 Kelas Sesi Siang
16.30 s.d. 17.30 1 Self-Study

Program ini berlangsung dari bulan Februari 2022 sampai dengan bulan Juli 2022.

7
 Bab III
Aplikasi Pembaca Nilai Mata Uang sebagai sarana pembantu
penyandang Tuna Netra

III.1 Latar Belakang Proyek Akhir

Pada masa sekarang ini, teknologi hadir untuk membantu manusia dalam
mengerjakan masalah yang timbul sehari-hari. Seperti robot yang menggantikan
peran manusia dalam mengantarkan paket atau surat dan kecerdasan buatan yang
dapat mengenali wajah manusia. Tidak hanya itu, teknologi juga dikembangkan
untuk membantu kaum disabilitas untuk membantu kegiatan sehari-hari mereka.
Teknologi yang dikembangkan dibentuk kedalam perangkat keras dan perangkat
lunak.
Uang menjadi salah satu kebutuhan pokok pada masa sekarang ini, dimana
uang menjadi alat pembayaran yang sah dengan nilai yang berbeda-beda.
Permasalahan pada uang terutama uang kertas yang sulit diidentifikasi hanya
dengan diraba tanpa melihat nominalnya. Masalah inilah yang menjadi keterbatasan
dalam mengidentifikasi uang terutama bagi kaum tunanetra. Masalah tersebut yang
menjadi alasan kami untuk merancang aplikasi yang dapat mengidentifikasi nilai
mata uang. Dengan memanfaatkan kecerdasan buatan, yaitu algoritma deep
learning dengan metode Convolutional Neural Network (CNN) atau algortima
pengembangan dari Multi Layer Perceptron (MLP) [9]. Aplikasi yang akan
dibangun dirancang dengan menggunakan salah satu metode dari CNN yaitu
metode YOLO (You Only Look Once) versi ke empat yang merupakan salah satu
algoritma deteksi objek pada citra dengan menggunakan jaringan syaraf tiruan [10].
Pemanfaatan Natural Language Processing sebagai algotitma dari fitur di aplikasi
ini yaitu dapat mengubah sebuah tulisan menjadi ucapan menggunakan konversi
text to speech [11].
III.2 Proses Pelaksanaan Proyek Akhir
Proses dari pengerjaan project akhir ini berawal dari penentuan topik dan
ide, termasuk pengumpulan referensi dan sumber literasi lainnya. Kemudian

8
dilanjutkan dengan pembagian peran dan jobdesk dari setiap anggota kelompok
yang terdiri dari 5 orang. Selanjutnya dilakukan pengumpulan dataset yaitu gambar
dari setiap uang rupiah yang terdiri dari 10 kelas yaitu 500 koin, 1000 koin, 1.000
kertas, 5.000, 10.000, 20.000, 50.000, 75.000, dan 100.000. Masing-masing
anggota diminta untuk mengumpulkan gambar sebanyak-banyaknya atau mencapai
jumlah minimum gambar yang akan di train yaitu 75 gambar dari setiap kelasnya.
Setelah pengumpulan dataset selesai. Gambar-gambar tersebut diberi label sesuai
dengan kelasnya menggunakan website makesanse.ai yang dapat dilihat pada
gambar berikut:

Gambar 3.1 Proses Label dataset menggunakanwebsite makesense.ai

Setelah dilakukan proses labeling. File label yang berformat .txt digabung dengan
file gambarnya kedalam satu folder dalam bentuk zip. Folder inilah yang nantinya
akan dilakukan proses train di google.colab. Sebelum melakukan proses train, buat
file tambahan dengan format obj.names yang berisikan kelas-kelas dari label
sebelumnya. Selain itu, google.colab harus terhubung dengan GPU dari komputer
atau laptop agar dapat menjalankan proses program YOLO, dengan cara klik edit >
Notebook Setting > pilih GPU pada Hardware Accelerator > klik save. Setelah itu
aktifkan melalui kode !nvidia-smi pada cell google.colab, dan keluarannya akan
seperti berikut:

9
 Gambar 3.2 Output dari cell !nvidia-smi

Setelah menghubungkan GPU ke google.colab, selanjutnya menghubungkan

google drive ke google colab dan menyambungkannya ke folder yolov4 yang telah
dibuat sebelumnya.
from google.colab import drive
drive.mount('/content/drive')
!ln -s /content/gdrive/My\ Drive/ /mydrive
!ls /mydrive
%cd /content/drive/MyDrive/yolov4
Gambar 3.3 Kode Import Google drive ke Google.colab
Setelah itu dilanjutkan dengan menginstal darknet dari github yang berfungsi
sebagai bahan utama untuk memproses YOLO. Setelah instal darknet dan
menambahkan file tambahan seperti yolov4-tiny-custom.cfg dan
yolov4_training.cfg. File cfg berisi kode dari jumlah batch, maksimal train dan
filter dari setiap kelas, dengan kode sebagai:
!sed -i 's/batch=1/batch=64/' cfg/yolov4_training.cfg
!sed -i 's/subdivisions=1/subdivisions=16/' cfg/yolov4_training.cfg
!sed -
i 's/max_batches = 500200/max_batches = 20000/' cfg/yolov4_training.
cfg
!sed -i 's@classes=80@classes=10@' cfg/yolov4_training.cfg
!sed -i '269 s@classes=80@classes=10@' cfg/yolov4_training.cfg
!sed -i '212 s@filters=255@filters=45@' cfg/yolov4_training.cfg
!sed -i '263 s@filters=255@filters=45@' cfg/yolov4_training.cfg

1
# filter = (klass+5)*3
#maxbatch = classes*2000
Gambar 3.4 Kode membuat file yolov4_training.cfg
Setelah itu, buat file obj.data yang berisikan kelas dan folder menampung hasil train
yaitu folder weight yang ada telah dibuat sebelumnya pada google drive
%cd /content/drive/MyDrive/yolov4/darknet
!echo -
e 'classes= 10\ntrain = data/train.txt\nvalid = data/test.txt\nnam
es = data/obj.names\nbackup = /content/drive/MyDrive/yolov4/weight'
> data/obj.data
Gambar 3.5 Kode membuat file obj.data
kemudian download file pre-training yang berasal dari github dataset siap ditrain
dengan menggunakan program
!wget https://github.com/AlexeyAB/darknet/releases/download/darknet_
yolo_v4_pre/yolov4-tiny.conv.29
Gambar 3.6 Kode download file pre-training dari github
Setelah itu, unzip file dataset tadi menggunakan kode berikut dan dipindahkan ke
folder data di darknet
!unzip /content/drive/MyDrive/yolov4/duit.zip -d data/obj
Gambar 3.7 kode untuk unzip file
Setelah itu, run kode train di bawah untuk memulai train data dan dimasukkan ke
folder weight yang ada di google drive.
!./darknet detector train data/obj.data cfg/yolov4_training.cfg yolo
v4-tiny.conv.29 -dont_show
Gambar 3.8 Kode train dataset YOLO
Namun, jika google colab mengalami crash saat train data, maka melanjutkan
proses train dari checkpoint terakhir program mentrain data dengan kode
!./darknet detector train data/obj.data cfg/yolov4_training.cfg /con
tent/drive/MyDrive/yolov4/weight/yolov4_training_last.weights -
dont_show
Gambar 3.9 Kode train dataset untuk memulai saat terakhir terjadinya error
Train dataset ini memakan waktu selama kurang lebih 15 jam dengan kendala
google colab sering mengalami reset runtime sehingga proses train berhenti secara
tiba-tiba. Hasil train data ini disimpan dalam format file
yolov4_training_last.weight dan yolov4_training.cfg. Kedua file inilah yang akan
dimodeling dan diolah pada tahapan berikutnya.

1
 Gambar 3.10 Hasil dari train data
III.3 Hasil Proyek Akhir
Aplikasi pendeteksi uang yang telah dibuat belum dapat mendeteksi uang
dikarenakan terjadi error pada saat memasukkan model hasil train kedalam aplikasi.
Namun aplikasi yang dibuat dapat dijalankan 100% walaupun tidak bisa
mendeteksi uang. Aplikasi dibuat menggunakan software Android Studio dan
bersifat artificial intelegent sehingga dapat mendeteksi uang secara otomatis. Jika
aplikasi berhasil dibuat 100%, maka tampilan akan seperti berikut:

Gambar 3.11 Tampilan awal aplikasi

1
 Bab IV Penutup

IV.1 Kesimpulan
Berdasarkan hasil penelitian dan pengerjaan project akhir yang telah
dilakukan, maka dapat ditarik kesimpulan
1. Pelaksanaan Studi Independen Bersertifikat AI Mastery berjalan sesuai dengan
rencana kegiatan yaitu peserta studi independen dapat memahamidan mahir
dalam mengimplementasikan algoritma AI di kehidupan sehari hari.
2. Kegagalan dalam proses data modeling dan exploration dapat terjadi
diakibatkan kesalahan algoritma dan human error sehingga data yang telah di
train tidak dapat digunakan di aplikasi yang telah dibuat.

IV.2 Saran
Adapun saran dan perbaikan dalam pelaksanaan program MSIB dan proyek
akhir sebagai berikut
1. Proses pembelajaran dapat dilakukan secara tatap muka saat pandemi telah
berakhir agar peserta dapat lebih memahami dalam mempelajari materi AI
Mastery
2. Lakukan train data secara 2 sampai 4 kali dan menggunakan metode yang
berbeda agar mendapatkan perbandingan dari hasil train.
3. User Interface aplikasi dapat diperbaharui lagi agar dapat lebih simpel dan
mudah digunakan bagi kaum tunanetra.

13
 Bab V Referensi

[1] Orbit Future Academy, “AI for GEN Z School Program,” PT. Orbit Ventura
Indonesia. https://orbitfutureacademy.id/aigenz/.
[2] Orbit Future Academy, “AI MASTERY Institution,” PT. Orbit Ventura
Indonesia. https://orbitfutureacademy.id/ai-mastery-program-institution/.
[3] M. K. F. KUDDUS, “SISTEM PRESENSI PEGAWAI BERBASIS
COMPUTER VISION,” 2021.
[4] M. A. Aditya, R. D. Mulyana, I. P. Eka, and S. R. Widianto, “Seminar
Nasional Teknologi Komputer & Sains (SAINTEKS) Penggabungan
Teknologi Untuk Analisa Data Berbasis Data Science,” pp. 50–51, 2020.
[5] Stanley and Daniel, “PENENTUAN DISTRIBUSI ARUS LALU LINTAS
PADA PERSIMPANGAN BERBASIS TEKNOLOGI COMPUTER
VISION & DEEP LEARNING,” vol. 11, no. 1, pp. 37–43, 2022.
[6] N. Busiarli, L. A. Aditya, and A. Y. Andika, “PENERAPAN ALGORITMA
NAÏVE BAYES & NATURAL LANGUAGE PROCESSING UNTUK
MENGKLASIFIKASI JENIS BERITA PADA ARSIP PEMBERITAAN,”
Semin. Nas. Teknol. Inf. dan Multimed., pp. 6–7, 2016.
[7] I. P. Sari, “Implementasi Data Science dalam Ritel Online: Analisis
Customer Retention dan Clustering Customer dengan Metode K-Means,” J-
SAKTI (Jurnal Sains Komput. dan Inform., vol. 5, no. 1, pp. 417–425, 2021.
[8] A. Amazon, “Apa Itu Kecerdasan Buatan?,” AWS. Amazon.
https://aws.amazon.com/id/machine-learning/what-is-ai/.
[9] B. Putra, G. Pamungkas, B. Nugroho, and F. Anggraeny, “Deteksi dan
Menghitung Manusia Menggunakan YOLO-CNN,” J. Inform. dan Sist. Inf.,
vol. 02, no. 1, pp. 67–76, 2021.
[10] F. Al Islama Achyunda Putra, J. Atur Firdaus, N. Achmad, F. Abdurrachman
Bachtiar, and dan Novanto Yudistira, “Pengaruh Resolusi Video Terhadap
Akurasi Menggunakan Algoritma YOLOv4 Dalam Deteksi Citra Objek Pada
CCTV,” pp. 1–9, 2021.
[11] R. A. W, H. Tolle, and O. Setyawati, “Pengembangan Aplikasi Text-to-

14
Speech Bahasa Indonesia Menggunakan Metode Finite State Automata
Berbasis Android,” vol. 5, no. 1, 2016.

15
 Bab VI Lampiran A. TOR

TERM OF REFERENCE (TOR)

STUDI INDEPENDEN BERSERTIFIKAT
AI MASTERY PROGRAM
DI ORBIT FUTURE ACADEMY

A. Rincian Program
AI Mastery Program adalah program pelatihan Artificial Intelligence (AI)
daring yang bertujuan untuk memperkenalkan teknologi dan perangkat AI
kepada pelajar, sehingga diharapkan mereka dapat mengembangkan produk AI
yang memiliki dampak sosial. Program ini berfokus pada komponen utama AI,
seperti Data Science (DS), Natural Language Processing (NLP), Computer
Vision (CV), dan Reinforcement Learning (RL).

B. Tujuan Program
Tujuan yang diharapkan setelah peserta mengikuti program ini:
1. Mampu memahami apa itu AI, penerapan dan pemanfaatannya.
2. Mampu memahami terkait tiga domain utama AI (DS, NLP, dan CV).
3. Mampu mengelaborasi kemampuan terkait AI dengan bidang lain.
4. Mampu memahami pentingnya data dalam AI.
5. Mampu membuat project AI yang berdampak sosial.
6. Mampu menulis kode dengan bahasa pemrograman Python.
7. Mampu memahami operasi dan logika sederhana pada Python.
8. Mampu membuat project Python.
9. Mampu melakukan kolaborasi secara interaktif dengan Git/Github.
10. Mampu membuat repository di akun Git/Github.
11. Mampu membuat portfolio dengan Git/Github.
12. Mampu menganalisis algoritma Machine Learning (ML) yang paling
sesuai.
13. Mampu membuat model ML.

16
14. Mampu memahami dan menerapkan algoritma ML untuk membantu
kehidupan.
15. Mampu membuat model Deep Learning (DL).
16. Mampu membuat kode program untuk pengujian model data science.
17. Mampu melakukan pengujian model dan analisis.
18. Mampu membuat ramalan dan prediksi berdasarkan data.
19. Mampu mengolah data yang besar untuk membuat keputusan.
20. Mampu men-clustering untuk memetakan pola.
21. Mampu membuat dokumentasi hasil pengujian model DS.
22. Mampu Membuat model DS dengan ML & DL.
23. Memahami NLP.
24. Mampu membuat model pengenalan suara.
25. Mampu membuat chatbot.
26. Mampu membuat project terkait dengan RL.
27. Mampu mengkombinasikan dan membuat project terkait AI, IoT, dan
sensor.
28. Mampu mengaplikasikan konsep RL dan diterapkan bersama domain AI
lain.
29. Mampu memahami dan membuat project terkait CV.
30. Mampu menggunakan teknologi terkait Computer Vision.
31. Mampu mengembangkan project CV untuk kepentingan sosial.
32. Mampu membuat model ML dan DL untuk berbagai kasus.
33. Mampu men-deploy model menggunakan Heroku dan atau menggunakan
layan Machine learning as a service (MLaaS).

17
C. Jadwal dan Tempat Pelaksanaan
Jadwal pelaksanaan tertera dalam tabel berikut:
Tabel 6.1 Jadwal Pelaksanaan
Pukul (WIB) Durasi (jam) Aktivitas
08.00 s.d. 11.30 3.5 Kelas Sesi Pagi
13.00 s.d. 16.30 3.5 Kelas Sesi Siang
16.30 s.d. 17.30 1 Self-Study

Kelas akan diselenggarakan secara daring melalui aplikasi video conference.

D. Peserta
Peserta program ini adalah mahasiswa yang berasal dari Perguruan Tinggi di
bawah Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi Republik
Indonesia.

E. Uraian Tugas Peserta

Selama mengikuti program ini, peserta diharuskan:
1. Mengikuti program dari awal hingga selesai.
2. Mematuhi aturan program.
3. Mematuhi aturan kelas yang dibuat bersama homeroom atau domain coach.
4. Mengikuti kelas dengan presensi minimal 85%.
5. Membuat laporan harian dan mingguan di website Kampus Merdeka.
6. Menyelesaikan Proyek Akhir (PA) beserta laporannya.

Palembang, Juni 2022

Homeroom Coach, Peserta Program,

Ade Iriani Sapitri, M.Kom Muhammad Abubakar Rizvi

NIP. 2205119 NIM. 03041381924096

18
 Bab VII Lampiran B. Log Activity
Tabel 7.1 Log Activity
Minggu/Tgl Kegiatan Hasil
9 Mei s/d 13 Diskusi bersama Coach dan teman Kelompok mengangkat
Mei sekelompok untuk mencari dan ide aplikasi deteksi uang
menentukan ide untuk dijadikan projek sebagai tema dari projek
akhir akhir
16 Mei s/d Diskusi pembagian tugas untuk setiap Pengumpulan dataset
20 Mei kelompok dan pencarian dataset dengan total 809 gambar
dari masing masing kelas
23 Mei s/d Riset jobdesk masing-masing anggota, Label dari masing-masing
27 Mei labeling dataset dari setiap kelas, dan kelas yaitu 500, 1000
konsultasi perkembangan dengan koin, 1000, 2000, 5000,
homeroom coach, 10000, 20000, 50000,
750000, dan 100000
30 Mei s/d 3 Riset jobdesk masing-masing anggota, Hasil train data dikirim
Juni fiksasi desain UI dan UX aplikasi, ke setiap anggota untuk
train dataset YOLO, dan konsultasi dilakukan proses
perkembangan dengan Domain Coach modeling dan evaluation
dan homeroom coach.
6 Juni s/d 10 Riset jobdesk masing-masing anggota, Aplikasi berjalan namun
Juni pengembangan aplikasi, testing dan tidak dapat mendeteksi
evaluation model, dan konsultasi model dikarenakan model
perkembangan dengan Domain Coach yang telah di train tidak
dan homeroom coach. kompatibel dengan
program pada aplikasi
13 Juni s/d Pemecahan masalah pada error Laporan dan program
17 Juni aplikasi, finishing program, konsultasi selesai.
dengan Domain Coach dan Homeroom
Coach, dan penyelesaian laporan
projek akhir.

19
 Bab VIII Lampiran C. Dokumen Teknik

1. AI Project Cycle

a. Problem Scoping

Who:

1. Siapa saja yang mengalami masalah tsb?

Para tuna netra permasalahan: penyandang tuna netra sering mengalami
kesulitan dalam mengenali nilai mata uang dan jumlah uang
2. Siapa saja yang terlibat dalam masalah tsb?
Masyarakat, Penyandang tuna netra
3. Apa yang kamu ketahui tentang mereka?
Sulit untuk mengidentifikasi benda disekitar
What:
1. Apa masalah utamanya?
Sulit untuk mengidentifikasi benda disekitar terutama nominal uang
2. Apa faktor-faktor pendukung masalah tsb? (bisa tampilkan data/jurnal/info
pendukung lainnya)
Dari info berbagai media masih banyak tuna netra yang ditipu dalam
masalah transaksi
Where:
1. Dimana saja si calon “user” mengalami masalah ini?
Terjadi dimana saja terutama saat user melakukan transaksi
2. Pada kondisi seperti apa si calon “user” mengalami masalah ini?
Pada saat melakukan pembayaran dan juga saat menerima pembayaran
Why:

1. Apa nilai utama dari permasalahan ini?

Memberi solusi terhadap penyandang tuna netra dalam proses transaksi
2. Bagaimana kamu bisa memperbaiki (sebagian atau seluruh) dari masalah
tsb?
Dengan memberi bantuan dari segi identifikasi nominal dan mata uang
sebelum melakukan transaksi jual beli

21
b. Data Acquisition

Sumber dataset yang akan ditrain sebagian berasal dari google dan foto dari
kamera setiap anggota.
c. Data Exploration

Dataset berupa gambar yang dikumpulkan sebelumnya diberi label sesuai kelas
pada website makesanse.ai.

d. Modelling
Proses train data menggunakan YOLO v4 dari darknet agar nantinya dapat
mendeteksi gambar sesuai dengan dataset dan label. Hasil dari train data
merupakan modeling data yang selanjutnya akan diuji dan diproses pada
aplikasi yang telah dibuat. Algoritma yang digunakan adalah YOLO V4 dan
Google Text To Speech dari NLP
e. Evaluation
Pengujian model YOLO yang sebelumnya telah di train. Pengujian dilakukan
dengan mendeteksi mata uang pada gambar yang disematkan terlebih dahulu.

Gambar 8.1 Output dari test data menggunakan gambar sampel

22
 Gambar 8.2 Output dari test data menggunakan gambar dari webcam
f. Deployment
Aplikasi dibuat menggunakan software Android Studio menggunakan template
dan program yang berasal dari github.

Gambar 8.3 Tampilan dari Android Studio

2. Profil Tim dan Deskripsi Pembagian Tugas

Ketua Tim: Muhammad Abubakar Rizvi
Kelas : Khasanah Ilmi

23
 Tugas : Data acquisition, labeling data, training data dengan YOLO V4

Anggota :
1. Rabbiul Rahmat
Kelas : Khasanah Ilmi
Tugas : Deployment aplikasi dengan Android Studio
2. Muhammad Azis Pangestu
Kelas : Khasanah Ilmi
Tugas : Text to Speech dengan NLP
3. Tri Wulandary
Kelas : Paradox
Tugas : Evaluation model YOLO V4 dengan gambar sampel dan webcam
4. Rizki Adi D.
Kelas : Paradox
Tugas : Algoritma menghitung jumlah uang yang dideteksi

3. Deskripsi Aplikasi
a. Nama dan Fungsi Aplikasi
Nama : Vispair
Fungsi : Menyebutkan nominal uang yang dideteksi melalui kamera dan
menjumlahkan uang yang telah dideteksi. Aplikasi ini diperuntukan untuk
kaum tunanetra yang kesulitan dalam mendeteksi nominal uang terutama uang
kertas
Proses : pada halaman awal aplikasi, terdapat icon “mulai” dan apabila icon
tersebut ditekan, halaman aplikasi berpindah dan akan membuka kamera dari
handphone. Dibawahnya terletak icon “ambil gambar”, kemudian aplikasi
memproses gambar untuk mendeteksi uang. Setelah mendeteksi uang, aplikasi
akan menyebutkan nominal uang yang dideteksi dan user akan memilih dua
aksi yaitu, “lanjut mendeteksi uang” dan “hitung jumlah uang”, jika memilih
opsi 1, maka aplikasi akan melanjutkan mendeteksi uang, jika memilih opsi 2,
maka aplikasi akan melanjutkan ke halaman berikutnya yaitu penghitungan

24
uang. Disini, aplikasi akan memproses jumlah uang yang telah dideteksi dan
aplikasi akan menyebutkan jumlahnya.

b. Jenis Aplikasi dan Specific Requirement

Aplikasi berbasis android dengan minimal ram 2gb dan membutuhkan akses ke
kamera dan penyimpanan telepon.
c. User Interface
User Interface pada aplikasi adalah sebagai berikut:

Gambar 8.4 Tampilan halaman depan aplikasi

25
 Gambar 8.5 Tampilan aplikasi saat mendeteksi dan menghitung uang

d. Keterangan Lainnya
Aplikasi belum berjalan dengan sempurna sehingga harus banyak
dikembangkan lagi di masa mendatang. Dimulai dari tampilan dan proses
algoritma aplikasi.

26