DAFTAR ISI

DAFTAR ISI.......................................................................................................................................... i
DAFTAR GAMBAR ............................................................................................................................. i
DAFTAR TABEL .................................................................................................................................. i
BAB I ................................................................................................................................................... 1
1.1. Latar Belakang ...................................................................................................................... 1
1.2. Rumusan Masalah ................................................................................................................. 2
1.3. Tujuan ................................................................................................................................... 2
1.4. Manfaat ................................................................................................................................. 2
BAB II .................................................................................................................................................. 3
2.1. Image Processing .................................................................................................................. 3
2.2. Machine Learning ................................................................................................................. 3
2.3. Convolutional Neural Network ............................................................................................. 4
2.4. Confusion Matrix .................................................................................................................. 5
BAB III ................................................................................................................................................. 7
2.1. Studi Literatur dan Pengumpulan Data ................................................................................. 7
3.2. Tahapan Penelitian ................................................................................................................... 7
2.3. Kebutuhan Penelitan ............................................................................................................. 9
BAB IV............................................................................................................................................... 10
4.1. Rekapitulasi Anggaran Biaya .............................................................................................. 10
4.2. Jadwal Kegiatan .................................................................................................................. 10
DAFTAR PUSTAKA.......................................................................................................................... 11
LAMPIRAN ....................................................................................................................................... 12

DAFTAR GAMBAR

Gambar 1. contoh model underfit, overfit dan optimal ......................................................................... 3

Gambar 2. Arsitektur CNN ................................................................................................................... 5
Gambar 3. Confusion Matrix ................................................................................................................ 5
Gambar 4. Alur Kerja Penelitian ........................................................................................................... 7
Gambar 5. Alur Data Preparation ....................................................................................................... 8
Gambar 6. Alur Evaluation ................................................................................................................... 9

DAFTAR TABEL

Tabel 1. Kebutuhan Penelitian .............................................................................................................. 9

Tabel 2. Rancangan Anggaran Biaya .................................................................................................. 10
Tabel 3. Rancangan Anggaran Biaya .................................................................................................. 10

i
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Sektor pertanian mengalami pertumbuhan positif meskipun perekonomian nasional
melemah akibat pandemi Covid-19. Menurut Badan Pusat Statistik (BPS), Produk
Domestik Bruto (PDB) pertanian tumbuh sebesar 2,59% year-on-year (yoy) pada kuartal
IV 2020(Kementrian Pertanian Republik Indonesia, 2020). Salah satu komoditas
unggulan dalam sektor pertanian adalah sawi, terutama sawi hijau, yang memiliki nilai
ekonomi tinggi dan menjadi salah satu komoditas ekspor utama Indonesia.
Sawi hijau memiliki masa panen singkat, yaitu 21 hari setelah tanam, dan menarik
bagi para petani karena memiliki pasar yang luas (Indriyani et al., 2018). Meskipun lebih
dari 210 ribu rumah tangga telah membudidayakan sawi hijau di Indonesia, perlu diingat
bahwa sayuran bersifat mudah rusak. Oleh karena itu, penanganan yang baik dari proses
penanaman hingga distribusi sangat penting.
Salah satu masalah yang dihadapi petani adalah serangan hama pada tanaman sawi
hijau. Identifikasi tanaman yang terkena hama memerlukan perhatian khusus terhadap
gejala atau tanda yang ditunjukkan oleh tanaman, terutama pada daun. Serangan hama
dapat mengganggu fungsi biokimia tanaman, menyebabkan kematian jaringan dan
berdampak negatif pada kapasitas tanaman untuk memproduksi.Pada lapangan, sering
ditemukan bahwa petani menghadapi masalah serupa, yaitu kurangnya pengendalian
yang tepat terhadap hama. Penyemprotan pestisida dilakukan secara menyeluruh tanpa
pemantauan yang memadai, menyebabkan residu pestisida yang berbahaya bagi
kesehatan manusia. Oleh karena itu, deteksi hama secara tepat waktu dan penggunaan
pestisida secara presisi menjadi tantangan utama dalam pertanian.
Untuk mengatasi masalah ini, penggunaan image processing dengan teknik
kecerdasan buatan, seperti machine learning dan artificial neural network, telah
diusulkan. Image processing melibatkan pengolahan citra untuk mendapatkan informasi
atau citra sebagai output. Machine learning, sebagai cabang dari kecerdasan buatan,
menggunakan data citra untuk mengidentifikasi pola. Salah satu metode dalam machine
learning adalah deep learning, yang mencakup Convolutional Neural Network (CNN),
khususnya dalam klasifikasi data citra (Yuliani et al., 2019).
CNN merupakan jenis neural network yang efektif untuk data citra dan telah
digunakan dalam berbagai penelitian di bidang pertanian. Dengan kemampuannya dalam
mengekstrak informasi dan menentukan klasifikasi gambar, deep learning, dan
khususnya CNN, menjadi topik yang menarik dalam pengembangan model untuk
memodelkan data kompleks. Beberapa arsitektur CNN yang tersedia, seperti InceptionV3,
VGG19, MobileNetV2, dan MobileNetV3, dapat digunakan untuk implementasi dalam
deteksi hama pada tanaman sawi hijau(Keras, 2022).
Dengan menerapkan algoritma Convolutional Neural Networks (CNN) pada objek
penelitian yaitu sawi hijau, dapat dideteksi hama yang menyerang tanaman sawi hijau
berdasarkan model yang sudah dibuat sehingga memaksimalkan performa dari alat
deteksi hama untuk mendeteksi keberadaan hama di sawi hijau. Selain itu ke depannya
diharapkan ini dapat membantu petani mendapatkan informasi dari alat tersebut untuk
menjadi langkah besar input yang lebih efisien untuk sistem pengendalian hama untuk
mengurangi penggunaan pestisida kimia dan ekosistem pertanian yang lebih
berkelanjutan. Hal ini diharapkan dapat meningkatkan jumlah produksi sawi hijau yang

1
 ada di Indonesia khususnya di Kota Pagaralam dengan memaksimalkan proses pertanian
dalam memenuhi kebutuhan ekspor komoditas sawi hijau di Indonesia.
Pada penelitian ini, kami memanfaatkan pengolahan citra untuk mendapatkan
perbedaan sekilas pada daun sawi, dari hasil pengolahan citra yang dilakukan akan
diterapkan algoritma deep learning untuk mendapatkan model yang mampu
menghasilkan prediksi hama atau tidaknya daun sawi yang nantinya akan di evaluasi
menggunakan metode MAPE(Mean Absolute Percentage Error).
1.2. Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan di atas, Penulis merumuskan
beberapa permasalahan yang akan dikaji dalam penelitian ini sebagai berikut:
1. Bagaimana cara menerapkan algoritma CNN dalam pengklasifikasian data citra
hama sawi hijau?
2. Manakah arsitektur CNN yang memiliki performa tertinggi?
1.3. Tujuan
Adapun tujuan penelitian ini adalah untuk:
1. Menerapkan algoritma CNN dalam pengklasifikasian data citra hama sawi hijau.
2. Mengetahui arsitektur yang memiliki performa tertinggi.

1.4. Manfaat
Penelitian pertanian presisi ini diharapkan dapat memberikan pedoman bagi para
petani, khususnya petani sawi hijau, untuk mengendalikan pemberian pestisida pada
tanaman. Dengan demikian, para petani dapat mengatur kadar dan jumlah pestisida yang
tepat untuk diberikan agar tanaman tetap sehat dan berkualitas namun juga ramah
lingkungan. Penerapan pertanian presisi ini juga diharapkan dapat meningkatkan
efisiensi biaya produksi bagi petani karena penggunaan input produksi seperti pupuk dan
pestisida dapat dioptimalkan.

2
 BAB II
TINJAUAN PUSTAKA

2.1. Image Processing

Penelitian ini membahas penggunaa AI dalam teknologi pencitraan digital.
Gambar digital merupakan representasi gambar dua dimensi dengan nilai piksel yang
terbatas, mencakup skala abu-abu, warna, tinggi, kekeruhan, dsb. Format gambar umum
mencakup 1 sampel per point (B&W or Grayscale), 3 sampel per point (Red, Green, and
Blue), dan 4 sampel per point (Red, Green, Blue, and “Alpha”, a.k.a. Opacity).
Pengolahan gambar, baik analog maupun digital, bertujuan untuk meningkatkan atau
mengekstrak informasi. Pengolahan gambar digital fokus pada meningkatkan interpretasi
manusia dan memproses data gambar untuk penyimpanan, transmisi, dan tampilan mesin
otonom. Terdapat delapan tahap dalam pengolahan citra digital, termasuk akuisisi citra,
peningkatan citra, restorasi citra, pengolahan morfologi, pengenalan citra, pengolahan
citra warna, dan kompresi citra dan dekompresi. Pengolahan citra menjadi sorotan pada
ImageNet Large Scale Visual Recognition Competition (ILSVRC) tahun 2012, di mana
teknik ini meraih kemenangan pertama dengan akurasi yang jauh melampaui teknik
machine learning konvensional, seperti shallow learning (Suyanto et al., 2019).
Pengolahan citra adalah suatu teknik pengolahan citra yang mengubah suatu citra
masukan menjadi citra lain untuk meningkatkan kualitas keluaran dibandingkan dengan
citra masukan. Pengolahan citra sangat berguna untuk meningkatkan kualitas citra,
menghilangkan cacat pada citra, mengidentifikasi objek, dan menggabungkan dengan
bagian lain dari citra. Dengan menggunakan teknologi ini, diharapkan aplikasi yang
dapat menangkap objek di depan kamera, mengidentifikasi jenis objek, dan melacaknya
secara real time (Nixon & S.Aguado, 2019).
2.2. Machine Learning
Pembelajaran mesin adalah teknik untuk menurunkan data menggunakan
pendekatan matematis. Inti dari pembelajaran mesin adalah membangun model
(matematis) yang mencerminkan pola data. (Putra, 2020).
Tujuan dari machine learning adalah untuk membagi dataset menjadi training,
validasi, dan testing dataset untuk membuat model yang dapat memprediksi data yang
tidak ditampilkan dengan baik atau disebut generalisasi. Ketiga dataset ini berasal dari
distribusi yang sama. Dalam artian ketiga jenis dataset mampu melambangkan
karakteristik yang sama. Oleh karena itu, jika loss atau error pada training, validation
dan testing, nilainya akan hampir sama. Namun underfitting dan overfitting dapat terjadi.
Adapun ilustrasinya seperti gambar dibawah ini.

Gambar 1. contoh model underfit, overfit dan optimal

Sumber : towardsdatascience.com (Techniques for handling underfitting and overfitting in Machine
Learning)

3
 Overfitting adalah perilaku pembelajaran mesin yang tidak diinginkan yang terjadi
ketika model pembelajaran mesin memberikan prediksi akurat untuk data pelatihan tetapi
tidak untuk data baru(ibm.com, 2022), di mana kemampuannya untuk memperkirakan
banyak fitur atau cocok dengan data pelatihan terlalu tinggi. Overfitting menyebabkan
performa yang baik hanya pada data latih, namun performa yang buruk pada data uji
(Ying, 2019). Salah satu solusi yang dapat diterapkan untuk mengatasi overfitting adalah
dengan memperbanyak data atau menggunakan augmentasi data pada data yang sudah
ada (Mikołajczyk & Grochowski, 2018).
Underfitting adalah tipe kesalahan lainnya yang terjadi saat model tidak dapat
menentukan hubungan berarti antara data input dan output. Anda mendapatkan model
underfit jika model tersebut belum dilatih selama durasi yang tepat di banyak titik data..
Hal ini menghasilkan tingkat kesalahan yang tinggi baik pada set data pelatihan maupun
data yang tidak terlihat. Underfitting terjadi ketika model terlalu sederhana, yang bisa
disebabkan oleh kurangnya waktu pelatihan, kurangnya fitur input, atau kurangnya
regularisasi. (ibm.com, 2022).
2.3. Convolutional Neural Network
Convolutional Neural Network (CNN) termasuk dalam kelas deep feed-forward
artificial neural networks dan terinspirasi oleh organisasi visual cortex pada binatang.
Struktur CNN, dengan lapisan-lapisan seperti convolutional layers, polling layers,
normalization layers, ReLU layer, fully connected layers, dan loss layer, banyak
diaplikasikan dalam analisis citra (Alom et al., 2018).
Dalam pembuatan model, kita dapat membuatnya dari awal atau memanfaatkan
model yang sudah ada, termasuk menggunakan transfer learning. Tahapannya
melibatkan pra-proses data, pembagian data menjadi train dan validation, serta
augmentasi data, khususnya pada gambar dan video untuk CNN. Pengujian model dapat
dilewati, dan setelah desain selesai, langkah berikutnya adalah pembuatan model dan
analisis menggunakan confusion matrix untuk evaluasi performa (Alom et al., 2018).
Struktur CNN melibatkan satu lapisan masukan, satu lapisan keluaran, dan
sejumlah lapisan tersembunyi. Lapisan tersembunyi mencakup convolutional layers,
polling layers, normalization layers, ReLU layer, fully connected layers, dan loss layer
yang diatur secara bertumpuk-tumpuk. Analogi struktur CNN dapat dibandingkan
dengan susunan lapisan pada sebuah sandwich, mencakup berbagai komponen seperti
bagian bawah, sayuran, daging, keju, saus tomat, mayonnaise, saus sambal, dan roti
bagian atas (Alom et al., 2018).
CNN mengadopsi struktur tiga dimensi, melibatkan lebar (width), tinggi (height),
dan kedalaman (depth), sebagaimana tergambar pada Gambar 3 Setiap lapisan CNN
melakukan transformasi terhadap volume masukan tiga dimensi (3D input volume)
menjadi volume keluaran tiga dimensi yang berisi aktivasi-aktivasi sel saraf (3D output
volume of neuron activations). Dalam gambar tersebut, masukan berupa citra berwarna,
dengan lebar dan tinggi mencerminkan dimensi citra, sedangkan kedalamannya (depth)
adalah 3, mencakup kanal Red, Green, dan Blue (RGB) (Suyanto et al., 2019).

Secara teknis, CNN adalah sebuah arsitektur yang dapat dilatih dan terdiri dari
beberapa tahap. Masukan (input) dan keluaran (output) dari setiap tahap adalah terdiri
dari beberapa array yang biasa disebut feature map. Setiap tahap terdiri dari tiga layer
yaitu konvolusi, fungsi aktivasi layer dan pooling layer. Gambar berikut ini adalah
jaringan arsitektur Convolutional Neural Network (Triano Nurhikmat, 2018) :

4
 Gambar 2. Arsitektur CNN
Sumber : E-Book Pengenalan Mesin dan Deep Learning

Tahapan pertama dalam Convolutional Neural Network (CNN) adalah konvolusi,

yang melibatkan penggunaan kernel dengan ukuran tertentu. Jumlah kernel yang
digunakan ditentukan berdasarkan jumlah fitur yang diinginkan. Setelah konvolusi,
dilanjutkan dengan fungsi aktivasi, umumnya menggunakan Rectifier Linear Unit
(ReLU). Langkah selanjutnya adalah proses pooling yang diulang beberapa kali untuk
menghasilkan peta fitur yang cukup untuk lanjut ke fully connected neural network.
Output akhir dari fully connected network adalah kelas atau label dari data (Cendekia,
2021, hal. 26).
2.4. Confusion Matrix
Confusion matrix adalah sebuah tabel yang menunjukkan hasil prediksi dalam
bentuk matriks. Matriks ini menunjukkan berapa banyak prediksi yang benar dan salah
per kelas. Matriks ini membantu dalam memahami kinerja model klasifikasi, terutama
dalam machine learning. Setiap baris dari matriks tersebut mewakili instansi dalam kelas
aktual, sementara setiap kolom mewakili instansi dalam kelas yang diprediksi. Nama
"confusion" berasal dari kemampuannya untuk dengan mudah menunjukkan apakah
sistem tersebut membingungkan dua kelas (yaitu, sering salah menandai satu kelas
sebagai kelas lain). Dalam pengukuran biasanya digunakan salah satu caranya yaitu
dengan confusion-matrix yang dapat dilihat pada gambar berikut ini.

Gambar 3. Confusion Matrix

Sumber : sciencedirect.com (Supervised learning: From theory to applications)

Berikut adalah penjelasan mengenai elemen confusion matrix:

1. True Positive (TP): Jumlah benar prediksi positif yang sebenarnya positif.
2. True Negative (TN): Jumlah benar prediksi negatif yang sebenarnya negatif.
3. False Positive (FP): Jumlah prediksi positif yang sebenarnya negatif.
4. False Negative (FN): Jumlah prediksi negatif yang sebenarnya positif.

Semua kemungkinan kejadian sebenarnya positif (P) dan semua kemungkinan

kejadian sebenarnya negatif (N) dapat dihitung menggunakan nilai-nilai tersebut. Nilai-
nilai tersebut dapat digunakan untuk menghitung akurasi dengan persamaan yang
diberikan, yaitu sebagai berikut.
𝑇𝑃 + 𝑇𝑁𝑃
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁

5
 Selain menghitung nilai akurasi, diperlukan pula perhitungan presisi prediksi
dimana presisi menunjukkan seberapa besar kemungkinan suatu model memprediksi
kejadian positif dengan benar yang mana dalam penelitian ini presisi penting untuk
dipertimbangkan dalam pengembangan model prediksi hujan di suatu daerah. Untuk
mengukur tingkat ketepatan prediksi (presisi prediksi) kejadian dapat digunakan
persamaan berikut.
𝑇𝑃
𝑝𝑟𝑒𝑠𝑖𝑠𝑖 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 =
𝑇𝑃 + 𝐹𝑃
Di sisi lain, sensitivitas prediksi atau recall juga perlu diperhitungkan. Recall
adalah ukuran kinerja model klasifikasi yang mengukur seberapa baik model
memprediksi kejadian positif yang sebenarnya positif. Recall dihitung dengan
menggunakan persamaan berikut.
𝑇𝑃
𝑟𝑒𝑐𝑎𝑙𝑙 =
𝑇𝑃 + 𝐹𝑁
Setelah didapatkan nilai presisi dan recall maka dapat digabungkan kedua nilai
tersebut yang kemudian akan disebut dengan F1-Score. F1-Score dihitung dengan
menggunakan persamaan berikut.
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙
𝐹1 − 𝑆𝑐𝑜𝑟𝑒 = 2 ×
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 × 𝑟𝑒𝑐𝑎𝑙𝑙
Nilai F1-Score yang ideal adalah 1.0, sedangkan nilai terburuknya adalah 0. Jika
nilai F1-Score kita tinggi, maka model klasifikasi kita memiliki presisi dan recall yang
tinggi.

6
 BAB III
TAHAP PELAKSANAAN

3.1 Studi Literatur dan Pengumpulan Data

Studi literatur dilakukan dengan membaca dan mengumpulkan artikel, jurnal dan
skripsi terkait dengan penelitian ini. Penelitian ini dilakukan untuk membandingkan dan
memperbarui penelitian yang sebelumnya sudah dilakukan. Lalu setelah melakukan
literatur review selanjutnya kami mengumpulkan data dari peneliti sebelumnya. Data ini
kami dapatkan dari narasumber yang sudah melakukan penelitian ini.

Proses brainstorming konsep kerja dan desain alat dilakukan melalui kajian
literatur yang dilakukan dengan berdiskusi dengan orang yang ahli pada bidangnya baik
itu dosen atau profesional.//Pengumpulan data

Data yang kami dapatkan untuk penelitian ini merupakan data dari peneliti
sebelumnya yang di tambahkan dengan data baru yang di kumpulkan pada kebun sawi
Jirifarm (Jl. Alun Alun No.I No.58, Curug Kulon, Kec. Curug, Kabupaten Tangerang,
Banten 15810) dan dataset dari peneliti sebelumnya berasal dari kaggle dengan tautan :
https://www.kaggle.com/datasets/cendekialuthfietanz/caisim.
3.2 Tahapan Penelitian
Tahapan dari penelitian ini menggunakan alur kerja sebagai berikut :

Gambar 4. Alur Kerja Penelitian

Dari gambar tersebut tahapan-tahan alur kerja penelitian akan dijelaskan secara
rinci sebagai berikut :
1. Problem Understanding/Pemahaman Masalah
Pada tahap ini, diperlukan pemahaman mendalam mengenai esensi
kegiatan klasifikasi gambar yang akan dilakukan, serta pemahaman akan
urgensi masalah dari perspektif kebutuhan. Kegiatan pada tahap ini mencakup
penetapan sasaran atau tujuan, pemahaman terhadap situasi yang dihadapi,
penetapan tujuan klasifikasi gambar, dan perencanaan strategi. Pemahaman
terhadap permasalahan dalam penelitian ini merujuk pada inti pembuatan
klasifikasi, di mana hasil klasifikasi yang dihasilkan diharapkan dapat
meningkatkan efektivitas pemberian pupuk bagi petani di masa mendatang,

7
 serta memberikan peringatan dini dalam mengidentifikasi serangan hama pada
tanaman. Rincian fase pemahaman masalah telah diuraikan secara lengkap
dalam latar belakang dan tujuan penelitian ini.
2. Data Understanding/Pemahaman Data
Pada fase pengumpulan dataset, dilakukan analisis mendalam terhadap
data guna memahami karakteristik dataset yang akan digunakan. Tahap ini
bertujuan untuk mengidentifikasi potensi masalah yang terkait dengan kualitas
data. Dalam penelitian ini, dataset yang digunakan untuk penelitian ini
menggunakan data dari peneliti terdahulu dan di tambahkan data baru yang di
dapatkan secara mandiri.
3. Data Preparation/Persiapan Data
Fase ini mengutamakan persiapan pada data yang sudah di kumpulkan
sebelumnya dengan memastikan semua data menjadi 1 format yang sama,
yaitu .png, tahap ini juga memastikan tidak ada data citra yang rusak / tidak
bisa dibaca.
4. Data Preprocessing/Praproses Data
Tahap ini sering disebut sebagai tahap yang padat karya. Aktivitas yang
dilakukan antara lain pengumpulan atau “importing” data, Augmentasi data,
dan data.

Gambar 5. Alur Data Preparation

5. Modelling/Pemodelan
Langkah menetapkan teknik deep learning yang akan digunakan
melibatkan pemilihan tools, teknik, algoritma, dan penentuan hyperparameter
yang paling sesuai untuk mencapai tingkat akurasi optimal. Pendekatan yang
diterapkan adalah metode klasifikasi dalam deep learning, khususnya
menggunakan algoritma CNN. Dilakukan tiga percobaan dengan tiga model
arsitektur yang berbeda, arsitektur CNN dengan penambahan model Xception,
arsitektur CNN dengan penambahan model VGG19, dan arsitektur CNN
dengan penambahan model InceptionNet.
6. Evaluation/Evaluasi
Pada tahap interpretasi terhadap hasil deep learning, analisis dilakukan
terhadap output dari proses pemodelan pada langkah sebelumnya. Evaluasi
dilaksanakan secara menyeluruh dengan tujuan menyelaraskan model yang

8
 dihasilkan agar sesuai dengan tujuan yang telah ditetapkan pada tahap awal.
Hasil implementasi dari evaluasi dalam penelitian ini memanfaatkan Confusion
Matrix dan MAPE(Mean Absolute Percentage Error), yang digunakan sebagai
referensi untuk menilai sejauh mana kinerja suatu model klasifikasi dengan
memperhatikan parameter pengukuran performanya. Berikut adalah gambaran
tahapan evaluation.

Gambar 6. Alur Evaluation

Sesuai dengan penjelasan pada gambar tersebut, proses evaluasi model

akan dilakukan dengan menggunakan data uji yang sebelumnya telah terbagi
menggunakan metode confusion matrix. Dari hasil evaluasi ini akan ditentukan
apakah model tersebut perlu direvisi atau tidak.

3.3 Kebutuhan Penelitan

Alat dan bahan yang dibutuhkan untuk menunjang penelitian ini dijabarkan secara
rinci pada tabel berikut ini :
Tabel 1. Kebutuhan Penelitian
No. Nama Alat Spesifikasi
1 Laptop Intel Core i7 8th gen & AMD Ryzen
7 6000 series
2 Grafis – Laptop Nvidia GeForce 4GB
3 RAM 16 sampai 20 Gb
4 Storage 1 TB
5 Kamera Nikon 1 J5
6 Internet Service Provider Indihome
7 Sistem Operasi Windows 10 dan 11
8 Bahasa Program dan Library Python, Keras, Tensorflow,
Matplotlib, Pandas, Numpy, Scikit-
learn

9
 BAB IV
BIAYA DAN JADWAL KEGIATAN
4.1. Rekapitulasi Anggaran Biaya
Adapun anggaran biaya program ini adalah sebagai berikut :
Tabel 2. Rancangan Anggaran Biaya
Jenis Besaran Dana
No Sumber Dana
Pengeluaran (Rp)
Belmawa 0
Bahan habis
1 Perguruan Tinggi 1.300.000
pakai
Instansi Lain (jika ada) 0
Belmawa 0
2 Sewa dan Jasa Perguruan Tinggi 2.048.000
Instansi Lain (jika ada) 0
Belmawa 0
Transportasi
3 Perguruan Tinggi 1.000.000
Lokal
Instansi Lain (jika ada) 0
Belmawa 0
Perguruan Tinggi 1.700.000
Instansi Lain (jika ada) 0
Jumlah 6.048.000
Belmawa 0
Perguruan Tinggi 6.048.000
Rekap Sumber Dana
Instansi Lain (jika ada) 0
Jumlah 6.048.000

4.2. Jadwal Kegiatan

Jadwal kegiatan perencanaan program ini adalah sebagai berikut.

Tabel 3. Rancangan Anggaran Biaya
Bulan
No Jenis Kegiatan 1 2 3 4
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Problem
1
Understanding
2 Studi Literatur
Data
3
Preparation
Data
4
Understanding
5 Modelling
6 Evaluasi
7 Artikel Ilmiah
Pendaftaran
8
Hak Paten
9 Laporan Akhir

10
 DAFTAR PUSTAKA

Amilia, E., Joy, B., & Sunardi, S. (2016). Residu Pestisida pada Tanaman Hortikultura (Studi
Kasus di Desa Cihanjuang Rahayu Kecamatan Parongpong Kabupaten Bandung Barat).
Agrikultura, 27(1), 23–29. https://doi.org/10.24198/agrikultura.v27i1.8473
Ayu, T., Dwi, V., & Minarno, A. E. (2021). Pendiagnosa Daun Mangga Dengan Model
Convolutional Neural Network. CESS (Journal of Computer Engineering, System and
Science), 6(2), 230. https://doi.org/10.24114/cess.v6i2.22857
Azath, M., Zekiwos, M., & Bruck, A. (2021). Deep Learning-Based Image Processing for
Cotton Leaf Disease and Pest Diagnosis. Journal of Electrical and Computer Engineering,
2021. https://doi.org/10.1155/2021/9981437
Badan Litbang Pertanian, K. (2010). Budidaya Tanaman Sawi. In I. P. Irwan Kasup (Ed.),
Budidaya Tanaman Sawi (p. 2). Kementrian Pertanian.
http://ppid.pertanian.go.id/doc/1/Budidaya Tanaman Sawi.pdf
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions.
Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition,
CVPR 2017, 2017-Janua, 1800–1807. https://doi.org/10.1109/CVPR.2017.195
Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis.
Computers and Electronics in Agriculture, 145(September 2017), 311–318.
https://doi.org/10.1016/j.compag.2018.01.009
IBM. Underfitting. 2022. https://www.ibm.com/topics/underfitting
IBM. Overfitting. 2022. https://www.ibm.com/topics/overfitting
IEEE Access. Scalable Deep Learing. 2023 https://ieeeaccess.ieee.org/closed-special-
sections/scalable-deep-learning-for-big-data/
Mikołajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning
in image classification problem. 2018 International Interdisciplinary PhD Workshop,
IIPhDW 2018, May, 117–122. https://doi.org/10.1109/IIPHDW.2018.8388338
Nixon, M. S., & S.Aguado, A. (2019). Feature Extraction and Image Processing for Computer
Vision (T. Pitts (ed.); Fouth Edit). Mara Corner.
https://books.google.co.id/books?hl=en&lr=&id=KcWDwAAQBAJ&oi=fnd&pg=PP1
&dq=image+processing&ots=10lF_tWx2N&sig=mGvjf_grjj1M7eOHNEYTBmouBH8
&redir_esc=y#v=onepage&q=imageprocessing&f=false
Towards Data Science. The Difference Between AI, ML, and DL. 2023
https://towardsdatascience.com/understanding-the-difference-between-ai-ml-and-dl-
cceb63252a6c
V7 Labs. Overfitting vs Underfitting. 2022. https://www.v7labs.com/blog/overfitting-vs-
underfitting
Ying, X. (2019). An Overview of Overfitting and its Solutions. Journal of Physics: Conference
Series, 1168(2). https://doi.org/10.1088/1742-6596/1168/2/022022
Yuliani, E., Aini, A. N., & Khasanah, C. U. (2019). Perbandingan Jumlah Epoch Dan Steps Per
Epoch Pada Convolutional Neural Network Untuk Meningkatkan Akurasi Dalam
Klasifikasi Gambar. Jurnal Bimbingan Dan Konseling (E-Journal), 07(1), 53–60.

11
 LAMPIRAN

Lampiran 1 Biodata Ketua dan Anggota serta Dosen Pendamping

1.1 Biodata Ketua Tim
1 Nama Lengkap Raden Ronggo Bintang Pratomo P
2 Jenis Kelamin Laki – Laki / Perempuan
3 Program Studi S1 Teknik Informatika
4 Nim 202131005
5 Tempat dan Tanggal Lahir Jakarta, 19 Febuary 2003
6 Alamat Email raden2131005@itpln.ac.id
7 Nomor Telepon/HP 0817903100
B. Kegiatan Kemahasiswa yang Sedang / Pernah Diikuti
No Jenis Kegiatan Status dalam Kegiatan Waktu dan Tempat
1. Karisma Renaisans Staff Operator IT PLN
2. Workshop Software IT PLN
3. LKMM Kesehatan IT PLN
4. LDKM Peserta IT PLN
C. Penghargaan yang Pernah Diterima
No Jenis Penghargaan Pihak Pemberi Penghargaan Tahun
1. Juara 3 Karya Tulis Ilmiah ITB Institut Teknolog Bandung 2023
2.

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya
buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan SRC
(Student Research Challenge.)

Jakarta, 19 Desember 2023

Ketua/Anggota Tim

(Raden Ronggo Bintang Pratomo P)

12
1.2 Biodata Anggota tim

A. Identitas Diri

1 Nama Lengkap Fitto Martcellindo

2 Jenis Kelamin Laki – Laki / Perempuan
3 Program Studi S1 Teknik Informatika
4 Nim 202131001
5 Tempat dan Tanggal Lahir Bandar Lampung, 26 Maret 2002
6 Alamat Email fitto2131001@itpln.ac.id
7 Nomor Telepon/HP 0895612460609
B. Kegiatan Kemahasiswa yang Sedang / Pernah Diikuti
No Jenis Kegiatan Status dalam Waktu dan
Kegiatan Tempat
1. PPKS Staff IT PLN
2. Sinekti Seminar Nasional Operator IT PLN
3. Mc Non Formal dan Formal Karisma Staff Event IT PLN
Renaisans
4. Mc Formal Simposium Energi Staff Event IT PLN
5. Moderator LDKM 2023 Staff Event IT PLN
6. Keamanan Kebersihan K4 Gemas#7 Staff k4 IT PLN
7. Beasiswa Prestasi IT PLN 2022 Wakil Ketua IT PLN
8. IPSI IT PLN Wakil Ketua IT PLN
C. Penghargaan yang Pernah Diterima
No Jenis Penghargaan Pihak Pemberi Penghargaan Tahun
1. Peringkat 13 Esnas (Esai Nasional) Universitas Hasanundin 2023
2. Peserta Esnas Master Piece (Esai Universitas Negeri Semarang 2023
Nasional)
3. Juara Harapan 1 Lomba Pidato Virtual Universitas Ahmad Dahlan 2021
Yogyakarta
4. Juara 1 Pencak Silat Kategori Laga PSHT Bandar Lampung 2021
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya
buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan SRC
(Student Research Challenge.)

Jakarta, 19 Desember 2023

Ketua/Anggota Tim

(Fitto Martcellindo)

13
1.3 Biodata Anggota Tim

A. Identitas Diri

1 Nama Lengkap Putu Niar Meiwasandi

2 Jenis Kelamin Laki – Laki / Perempuan
3 Program Studi S1 Teknik Informatika
4 Nim 202131018
5 Tempat dan Tanggal Lahir Bali, 29 Mei 2003
6 Alamat Email putu2131018@itpln.ac.id
7 Nomor Telepon/HP 082145240617
B. Kegiatan Kemahasiswa yang Sedang / Pernah Diikuti
No Jenis Kegiatan Status dalam Kegiatan Waktu dan Tempat
1. Keluarga Mahasiswa Hindu Darma Ketua IT PLN
2. LKMM Mentor IT PLN
3. LDKM Peserta IT PLN
4. LKMM Peserta IT PLN
5. Donor Darah Humas IT PLN
C. Penghargaan yang Pernah Diterima
No Jenis Penghargaan Pihak Pemberi Penghargaan Tahun
1 Kompetisi Karya Inovasi Bisnis PT Cogindo 2023
2
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya
buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan SRC
(Student Research Challenge.)

Jakarta, 19 Desember 2023

Ketua/Anggota Tim

(Putu Niar Meiwasandi)

14
1.4 Biodata Anggota tim

A. Identitas Diri

1 Nama Lengkap Annyda Dyah Kusuma

2 Jenis Kelamin Laki – Laki / Perempuan
3 Program Studi S1 Teknik Infomatika
4 Nim 202231029
5 Tempat dan Tanggal Lahir Bojonegoro, 29 Maret 2004
6 Alamat Email Annyda2231029
7 Nomor Telepon/HP 081336493915
B. Kegiatan Kemahasiswa yang Sedang / Pernah Diikuti
No Jenis Kegiatan Status dalam Kegiatan Waktu dan Tempat
1 Workshop UI/UX Mc Formal IT PLN
2 Saq Goes to School Mentor SMAN 33 Jakarta
C. Penghargaan yang Pernah Diterima
No Jenis Penghargaan Pihak Pemberi Penghargaan Tahun
1 Juara 2 Brain Challenge Season 2 Universitas Sunan Giri 2021
2

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya
buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan SRC
(Student Research Challenge.)

Jakarta, 19 Desember 2023

Ketua/Anggota Tim

(Annyda Dyah Kusuma)

15
1.5 Biodata Dosen Pembimbing

A. Identitas Diri

1. Nama Lengkap Pritasari Palupiningsih, S.Kom, M.Kom

2. Jenis Kelamin L /P

3. Program Studi S1 – Teknik Informatika

4. NIDN 0328018803

5. Tempat dan Tanggal -

Lahir

6. Alamat E-mail pritasari@itpln.ac.id

7. Nomor Telepon/HP 085717735945

B. Identitas Diri

Gelar Akademik Sarjana S2/Magister

Nama Institusi IPB IPB

Jurusan/Prodi Ilmu Komputer Ilmu Komputer

Tahun Masuk-Lulus 2005 - 2009 2010-2013

 C. Penelitian

No. Judul Penelitian Tahun

1. A classification modelling for fraud sms 2013

identification using text mining

2. Prediksi Indikasi Tindak Penipuan Melalui 2016

SMS Menggunakan Algoritme Naïve Bayes
dan C4. 5

3. Perancangan Aplikasi Prediksi Lama Studi 2017

Mahasiswa Berdasarkan Model Klasifikasi
Data Lama Studi Mahasiswa STMIK Indonesia
Yang Terbentuk Menggunakan Decision Tree

4. Perancangan Aplikasi Pemilihan Karyawan 2017

Terbaik Menggunakan Perbandingan Metode
Saw (Simple Additive Weighting) Dan Ahp
(Analytic Hierarchy Process) Pada Kfc
(Kentutcky Fried Chicken) Bandara Soekarno
Hatta Terminal 1-C Tangerang

5. Mengelompokkan Short Message Service 2017

(Sms) Penipuan Menggunakan Algoritme Rock
6. Pembentukan Model Klasifikasi Data Lama 2017
Studi Mahasiswa Stmik Indonesia
Menggunakan Decision Tree Dengan
Algoritma Nbtree

7. Implementasi algoritma B-TREE dalam 2018

peminjaman ruangan dengan FCM (Firebase
Cloud Messaging) berbasis mobile (Studi
Kasus: STT-PLN Jakarta)

8. Klasifikasi Pesan Gangguan Pelanggan 2018

Menggunakan Metode Naive Bayes Classifier

9. Deteksi Kemiripan Dokumen Skripsi 2018

Menggunakan Metode Cosine Similarity

10. Perancangan Modul Sdm Pada Enterprise 2018

Resource Planning Pada Usaha Skala Kecil
Dan Menengah

11. Prototipe Sistem Monitoring Penggunaan Daya 2019

Listrik Peralatan Elektronik Rumah Tangga
Berbasis Internet of Things

12. Clustering the basic human category indicator 2019

levels in Banten region

13. Implementation of cart Algorithm for 2020

Monitoring System and Prediction of Electric
Power use of IOT-Based Household Equipment

14. Klasifikasi Untuk Memprediksi Pembayaran 2020

Kartu Kredit Macet Menggunakan Algoritma
C4. 5
 Pembimbing,

Pritasari Palupiningsih, S.Kom,

M.Kom

NIDN 0328018803
Lampiran 2. Justifikasi Anggaran Kegiatan
Jenis Pengeluaran
1. Belanja Bahan Volume Harga Satuan Nilai (RP)
a. Kertas 1 Rp70.000,00 Rp70.000,00
b. Tinta Printer 4 Rp200.000,00 Rp800.000,00
c. Foto Copy & Jilid 1 Rp50.000,00 Rp50.000,00
d. Lain-lain 1 Rp380.000,00 Rp380.000,00
2. Sewa Jasa 4 Rp512.000,00 Rp2.048.000,00
3. Transportasi 4 Rp250.000,00 Rp1.000.000,00
4. Lain – Lain
a. Biaya Komunikasi 4 Rp50.000,00 Rp200.000,00
b. Biaya Akses Publikasi 1 Rp500.000,00 Rp500.000,00
c. Hak Paten 1 Rp1.000.000,00 Rp1.000.000,00
SUB TOTAL Rp6.048.000,00

Lampiran 3.Susunan Organisasi Tim Pelaksana dan Pembagian Tugas

No Nama/Nim Program Bidang Ilmu Alokasi Uraian Tugas
Studi Waktu( jam/
minggu)
1 Raden Ronggo S1 Teknik Machine • Melakukan
Bintang Informatika Learning / pra-proses data
Pratomo Data Science • Membuat
P./202131001 model machine
learning
14
Jam/Minggu • Melatih model
machine
learning
• Evaluasi model
machine
learning
2 Putu Niar S1 Teknik Machine • Membuat studi
Meiwasandi/20 Informatika Learning / literatur
2131018 Data Analyst • Membuat
14
flowchart
Jam/Minggu
• Evaluasi model
machine
learning
3 Fitto S1 Teknik Mobile • Memriksa
Martcellindo/2 Informatika Development Kelayakan data
0213001 / Data 14 • Melakukan
Analyst Jam/Minggu observasi data
dari peneltian
seblumnya
4 Anndya Dyah S1 Teknik Machine • Membuat studi
Kusuma/20223 Informatika Learning / literatur
1029 Data Analyst • Melakukan
14 Jam
pengumpulan
/Minggu
data citra sawi
• Menyiapkan
link data