PENGEMBANGAN MODEL MACHINE LEARNING DENGAN

ALGORITMA K-MEANS CLUSTERING UNTUK KEGIATAN

PERTANIAN APLIKASI “CUACA TANI”

PRAKTEK KERJA LAPANGAN

Oleh :

AVI OKTAVIANI
NPM 21081010227

PROGRAM STUDI INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
2023
i
 SURAT PERNYATAAN

Saya yang bertanda tangan dibawah ini :

Nama : Avi Oktaviani
NPM : 21081010227

Menyatakan bahwa kegiatan PKL yang saya lakukan memang benar-benar telah
kami lakukan di Perusahaan/instansi

Nama Perusahaan/Instansi : Yayasan Dicoding Indonesia

Alamat : Dicoding Space, Jalan Batik Kumeli No 50,
Kecamatan Cibeunying Kaler, Kelurahan Sukaluyu,
RT10/RW07, Kota Bandung, Jawa Barat, 40123

Valid, dan perusahaan/instansi tempat kami PKL benar adanya dan dapat
dibuktikan kebenarannya. Jika saya menyalahi surat pernyataan yang saya buat
maka saya siap mendapatkan konsekuensi akademik maupun non-akademik.
Berikut surat pernyataan saya buat sebagai syarat laporan PKL di prodi teknik
informatika, FIK, UPN “Veteran” Jawa Timur.

Hormat Saya,

Avi Oktaviani
21081010227

ii
Judul :Pengembangan Model Machine Learning Menggunakan
Algoritma K-Means Clustering untuk Kegiatan Pertanian
Aplikasi “Cuaca Tani”
Penulis : Avi Oktaviani
Pembimbing : Eka Prakarsa Mandyartha, S.T.,M.Kom

Abstrak

Magang dan Studi Independen Bersertifikat (MSIB) adalah salah satu

program Kampus Merdeka yang dirancang untuk memastikan para peserta
mendapatkan kompetensi terbaik untuk menghadapi masa depan. Para peserta
juga diberikan pengetahuan untuk mengasah kemampuan dasar dan technical
yang sesuai dengan perkembangan teknologi saat ini Bersama mentor yang telah
berpengalaman di bidangnya. Program ini berlangsung selama 20 minggu dan
tentunya dapat dikonversikan dalam 20 sks mengacu ketentuan prodi dari kampus
masing-masing. Program MSIB ini diharapkan bisa menambah pengetahuan dan
keterampilan para mahasiswa yang mungkin belum tentu mereka dapatkan selama
duduk di bangku kuliah. Salah satu program MSIB adalah studi independent di
Bangkit Academy.
Bangkit Academy merupakan program pendidikan teknologi dan kesiapan
karir dari Google yang bekerja sama dengan GoTo dan Traveloka untuk membuat
suatu pembelajaran yang bermanfaat. Studi Independen Bangkit Academy pada
Machine Learning Learning Path meliputi pembelajaran individu dan project
akhir dalam bentuk tim. Pada pembelajaran individu, setiap peserta akan
mengikuti kelas dalam bentuk asynchronous (online melalui modul belajar di
Dicoding Academy) dimana peserta dapat berkonsultasi dengan expert terkait
materi yang dipelajarinya melalui forum diskusi. Program ini bertujuan untuk
membantu siswa mengembangkan keterampilan yang dibutuhkan di bidang
teknologi dan soft skill yang dibutuhkan untuk berpindah dari akademis ke tempat
kerja serta sukses di perusahaan. terkemuka dan mendapatkan sertifikasi teknologi
melalui jalur Machine Learning.

iii
 Projek akhir ini merupakan upaya implementasi teknologi kecerdasan
buatan terkini dalam konteks pengembangan aplikasi Android. Dalam ranah ini,
fokus utama penelitian adalah merancang dan mengembangkan sebuah aplikasi
deteksi cuaca yang khusus diarahkan untuk mendukung kegiatan pertanian.
Pemilihan model machine learning untuk pencapaian tujuan ini diarahkan pada
algoritma K-means clustering. Proses deteksi cuaca menggunakan algoritma
K-means dalam aplikasi ini tidak hanya memberikan informasi kepada petani
tetapi juga membuka peluang untuk memberikan rekomendasi tanaman
berdasarkan kondisi cuaca yang teridentifikasi. Dengan kata lain, aplikasi ini tidak
hanya berfungsi sebagai penyedia informasi cuaca tetapi juga sebagai alat yang
dapat memberikan rekomendasi pertanian yang lebih cerdas dan terkustomisasi.
Dengan adanya penelitian ini, diharapkan bahwa aplikasi deteksi cuaca untuk
pertanian berbasis algoritma K-means clustering dapat menjadi solusi yang efektif
untuk mendukung keberlanjutan dan produktivitas dalam sektor pertanian. Selain
itu, implementasi teknologi kecerdasan buatan dalam bentuk aplikasi praktis
seperti ini juga dapat membuka pintu bagi penelitian lebih lanjut dan
pengembangan aplikasi cerdas lainnya dalam konteks pertanian modern.

Kata kunci : PKL, Model, Machine Learning, K-means, rekomendasi tanaman, pertanian

iv
Judul :Pengembangan Model Machine Learning Menggunakan
Algoritma K-Means Clustering untuk Kegiatan Pertanian
Aplikasi “Cuaca Tani”
Penulis : Avi Oktaviani
Pembimbing : Eka Prakarsa Mandyartha, S.T.,M.Kom

Abstrak

Magang dan Studi Independen Bersertifikat (MSIB) adalah salah satu

program Kampus Merdeka yang dirancang untuk memastikan para peserta
mendapatkan kompetensi terbaik untuk menghadapi masa depan. Para peserta
juga diberikan pengetahuan untuk mengasah kemampuan dasar dan technical
yang sesuai dengan perkembangan teknologi saat ini Bersama mentor yang telah
berpengalaman di bidangnya. Program ini berlangsung selama 20 minggu dan
tentunya dapat dikonversikan dalam 20 sks mengacu ketentuan prodi dari kampus
masing-masing. Program MSIB ini diharapkan bisa menambah pengetahuan dan
keterampilan para mahasiswa yang mungkin belum tentu mereka dapatkan selama
duduk di bangku kuliah. Salah satu program MSIB adalah studi independent di
Bangkit Academy.
Bangkit Academy merupakan program pendidikan teknologi dan kesiapan
karir dari Google yang bekerja sama dengan GoTo dan Traveloka untuk membuat
suatu pembelajaran yang bermanfaat. Studi Independen Bangkit Academy pada
Machine Learning Learning Path meliputi pembelajaran individu dan project
akhir dalam bentuk tim. Pada pembelajaran individu, setiap peserta akan
mengikuti kelas dalam bentuk asynchronous (online melalui modul belajar di
Dicoding Academy) dimana peserta dapat berkonsultasi dengan expert terkait
materi yang dipelajarinya melalui forum diskusi. Program ini bertujuan untuk
membantu siswa mengembangkan keterampilan yang dibutuhkan di bidang
teknologi dan soft skill yang dibutuhkan untuk berpindah dari akademis ke tempat
kerja serta sukses di perusahaan. terkemuka dan mendapatkan sertifikasi teknologi
melalui jalur Machine Learning.

v
 Projek akhir ini merupakan upaya implementasi teknologi kecerdasan
buatan terkini dalam konteks pengembangan aplikasi Android. Dalam ranah ini,
fokus utama penelitian adalah merancang dan mengembangkan sebuah aplikasi
deteksi cuaca yang khusus diarahkan untuk mendukung kegiatan pertanian.
Pemilihan model machine learning untuk pencapaian tujuan ini diarahkan pada
algoritma K-means clustering. Proses deteksi cuaca menggunakan algoritma
K-means dalam aplikasi ini tidak hanya memberikan informasi kepada petani
tetapi juga membuka peluang untuk memberikan rekomendasi tanaman
berdasarkan kondisi cuaca yang teridentifikasi. Dengan kata lain, aplikasi ini tidak
hanya berfungsi sebagai penyedia informasi cuaca tetapi juga sebagai alat yang
dapat memberikan rekomendasi pertanian yang lebih cerdas dan terkustomisasi.
Dengan adanya penelitian ini, diharapkan bahwa aplikasi deteksi cuaca untuk
pertanian berbasis algoritma K-means clustering dapat menjadi solusi yang efektif
untuk mendukung keberlanjutan dan produktivitas dalam sektor pertanian. Selain
itu, implementasi teknologi kecerdasan buatan dalam bentuk aplikasi praktis
seperti ini juga dapat membuka pintu bagi penelitian lebih lanjut dan
pengembangan aplikasi cerdas lainnya dalam konteks pertanian modern.

Kata kunci : PKL, Model, Machine Learning, K-means, rekomendasi tanaman, pertanian

vi
 KATA PENGANTAR

Puji syukur dipanjatkan kehadirat Allah SWT yang telah memberikan

kemudahan dalam menyelesaikan laporan akhir dan kegiatan MSIB Bangkit 2023
batch 2 ini dengan lancar dan tepat waktu.

Saya mengucapkan terima kasih kepada semua pihak yang terlibat dalam
kegiatan ini dengan memberikan dukungan dan kontribusi. Terima kasih kepada
Dosen pembimbing yang sekaligus menjadi supervisor saya. Terima kasih kepada
mentor saya yang telah memberikan arahan dan bimbingan serta ilmu
pengetahuan yang berharga. Terima kasih juga terhadap rekan-rekan tim yang
telah ikut serta dalam diskusi dan kolaborasi.

Semoga dengan selesainya kegiatan ini, ilmu yang diberikan dapat

menjadi bekal yang bermanfaat di masa yang akan datang. Mohon maaf bila
terdapat kesalahan ataupun kekurangan dalam penyusunan kata pengantar ini.
Sekali lagi, terima kasih kepada seluruh pihak yang berkontribusi.

Surabaya, 15 Januari 2024

Avi Oktaviani

vii
 UCAPAN TERIMAKASIH

Laporan praktek kerja lapangan ini tidak dapat diselesaikan tanpa bantuan dari
berbagai pihak terkait. Oleh karena itu, penulis mengucapkan terimakasih yang
sebesar - besarnya kepada :
1. Bapak Eka Prakarsa Mandyartha, S.T.,M.Kom selaku Dosen Pembimbing
yang telah memberikan waktu serta nasehatnya dalam membimbing dan
mengarahkan hingga selesainya Laporan Praktek Kerja Lapangan ini.
2. Orang tua yang senantiasa mendukung serta memotivasi kami baik berupa
materi maupun non materi selama proses penyusunan Laporan Praktek
Kerja Lapangan ini.
3. Teman - teman yang selalu mensupport kami selama proses penyusunan
Laporan Praktek Kerja Lapangan ini.

viii
 DAFTAR ISI

LEMBAR PENGESAHAN………………………………………………………..i
SURAT PERNYATAAN…………………………………………………………..ii
ABSTRAK..............................................................................................................iii
ABSTRACT.............................................................................................................v
KATA PENGANTAR............................................................................................ vii
UCAPAN TERIMAKASIH..................................................................................viii
DAFTAR ISI........................................................................................................... ix
DAFTAR GAMBAR.............................................................................................. xi
DAFTAR TABEL……………………………………………………………….xiv
BAB I PENDAHULUAN........................................................................................ 1
1.1 Latar Belakang............................................................................................. 1
1.2 Rumusan Masalah........................................................................................ 2
1.3 Tujuan Praktek kerja lapangan..................................................................... 2
1.4 Manfaat/Kegunaan....................................................................................... 4
BAB II GAMBARAN UMUM TEMPAT PKL...................................................... 6
2.1 Sejarah Perusahaan / Instansi....................................................................... 7
2.2.1 Program Manager............................................................................ 11
2.2.2 Learning Support Manager.............................................................. 11
2.2.3 Cohort Manager.............................................................................. 11
2.2.4 Curriculum Manager........................................................................11
2.3 Bidang Usaha............................................................................................. 11
2.3 Lokasi Instansi........................................................................................... 14
BAB III PELAKSANAAN.................................................................................... 16
3.1 Waktu dan Tempat MBKM........................................................................ 16
3.2 Pelaksanaan................................................................................................ 23
3.2.1 Tinjauan Pustaka..................................................................................23

ix
 3.2.2 Pelaksanaan PKL................................................................................. 33
BAB IV HASIL DAN PEMBAHASAN............................................................... 56
4.1 Hasil Implementasi.....................................................................................59
4.2 Dokumentasi Github.................................................................................. 60
4.3 Presentasi Projek dan Peer Review............................................................ 61
4.4 Pencapaian..................................................................................................63
BAB V PENUTUP.................................................................................................65
5.1 Kesimpulan................................................................................................ 65
5.2 Saran...........................................................................................................65
DAFTAR PUSTAKA............................................................................................. 66

x
 DAFTAR GAMBAR

Gambar 2.1 Logo Bangkit............................................................................7

Gambar 2.2 Struktur Organisasi.................................................................10
Gambar 2.3 Lokasi Kantor.........................................................................14
Gambar 2.4 Lokasi Kantor.........................................................................14
Gambar 3.1 Platform Coursera.................................................................. 17
Gambar 3.2 Meet Soft Skills......................................................................18
Gambar 3.3 Meet ILT English....................................................................19
Gambar 3.4 Meet ILT English....................................................................20
Gambar 3.5 Live Youtube Student Team Meeting.....................................21
Gambar 3.6 Meet Peer review....................................................................22
Gambar 3.7 Logo Android Studio Code.................................................... 24
Gambar 3.8 Logo Kotlin............................................................................ 24
Gambar 3.9 Logo JDK............................................................................... 25
Gambar 3.10 Logo Postman.......................................................................25
Gambar 3.11 Logo Figma.......................................................................... 26
Gambar 3.12 Logo Colab...........................................................................27
Gambar 3.13 Logo Python......................................................................... 28
Gambar 3.14 Logo Sklearn........................................................................ 28
Gambar 3.15 Logo NumPy........................................................................ 29
Gambar 3.16 Logo matplotlib.................................................................... 29
Gambar 3.17 Logo TensorFlow................................................................. 30
Gambar 3.18 Logo TensorFlow Lite.......................................................... 31
Gambar 3.19 Logo Github......................................................................... 32
Gamba 3.20 Logo Google Drive................................................................32
Gambar 3.21 Use Case diagram.................................................................35
Gambar 3.22 Prototype Cuaca Tani........................................................... 36

xi
Gambar 3.23 Pelatihan Model....................................................................36
Gambar 3.24 Dataset dari Kaggle............................................................ 38
Gambar 3.25 Membulatkan nilai temperatur dan kelembaban.................. 38
Gambar 3.26 Hanya mengambil sampel temperatur, kelembaban dan label.
39
Gambar 3.28 Grafik sampel..................................................................... 40
Gambar 3.29 Jumlah sampel yang tidak seimbang.................................. 41
Gambar 3.30 Grafik sampel yang seimbang............................................. 41
Gambar 3.31 Jumlah sampel yang seimbang........................................... 42
Gambar 3.33 Analisa angka cluster.......................................................... 44
Gambar 3.34 Hasil cluster.........................................................................44
Gambar 3.35 Pendistribusian sampel pada setiap cluster........................ 45
Gambar 3.36 dataframe setiap cluster...................................................... 45
Gambar 3.37 kode untuk menerapkan SMOTE pada cluster 0................46
Gambar 3.38 SMOTE cluster 0.................................................................46
Gambar 3.40 SMOTE cluster 1.................................................................48
Gambar 3.29 kode untuk menerapkan SMOTE pada cluster 2.................49
Gambar 3.30 SMOTE cluster 2.................................................................50
Gambar 3.41 model yang digunakan pada cluster 0................................. 50
Gambar 3.42 model yang digunakan pada cluster 1................................. 50
Gambar 3.43 model yang digunakan pada cluster 2................................. 51
Gambar 3.44 convert model cluster 0....................................................... 52
Gambar 3.45 convert model cluster 1....................................................... 52
Gambar 3.46 convert model cluster 2....................................................... 53
Gambar 3.47 Diskusi Mingguan bersama Tim......................................... 54
Gambar 3.48 Diskusi bersama Advisor.................................................... 54
Gambar 4.1 Hasil dari cluster 0.................................................................56
Gambar 4.2 Hasil dari cluster 1..................................................................57

xii
Gambar 4.3 Hasil dari cluster 2..................................................................58
Gambar 4.4 Aplikasi Cuaca Tani............................................................... 59
Gambar 4.5 Repository Github untuk aplikasi Cuaca Tani.......................61
Gambar 4.6 Slide presentasi projek.......................................................... 62
Gambar 4.7 Dokumentasi presentasi peer review....................................62

xii
 DAFTAR TABEL

Tabel 2.1 Jejak Langkah Bangkit Academy...........................................9

Tabel 3.1 Linimasi Kegiatan............................................................... 17
Tabel 3.1 Jadwal tugas........................................................................ 23
Tabel 3.2 Anggota Kelompok.............................................................. 33

xiv
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Latar belakang dari penelitian Praktek Kerja Lapangan (PKL) ini

didasarkan pada upaya implementasi teknologi kecerdasan buatan terkini dalam
pengembangan aplikasi Android, dengan fokus utama pada aplikasi deteksi cuaca
untuk mendukung kegiatan pertanian. Pertimbangan utama dalam pemilihan
model machine learning adalah menggunakan algoritma K-means clustering.
Algoritma ini dipilih karena dianggap dapat memberikan hasil yang optimal
dalam mendeteksi pola dan hubungan dalam data cuaca yang kompleks.
Aplikasi deteksi cuaca yang dikembangkan tidak hanya memiliki tujuan
memberikan informasi kepada petani mengenai kondisi cuaca, tetapi juga
membuka peluang untuk memberikan rekomendasi tanaman berdasarkan kondisi
cuaca yang teridentifikasi. Dengan kata lain, aplikasi ini berperan ganda sebagai
penyedia informasi cuaca dan alat yang cerdas dalam memberikan saran pertanian
yang disesuaikan dengan kondisi lingkungan.
Melalui penelitian ini, diharapkan bahwa aplikasi deteksi cuaca berbasis
algoritma K-means clustering dapat memberikan solusi efektif untuk
meningkatkan keberlanjutan dan produktivitas dalam sektor pertanian.
Kemampuan aplikasi ini untuk memberikan rekomendasi pertanian yang lebih
cerdas diharapkan dapat membantu petani dalam pengambilan keputusan yang
lebih baik.
Selain manfaat langsung bagi pertanian, implementasi teknologi
kecerdasan buatan dalam bentuk aplikasi praktis seperti ini juga diharapkan dapat
menjadi dorongan untuk penelitian lebih lanjut dan pengembangan aplikasi cerdas
lainnya dalam konteks pertanian modern. Penggunaan teknologi ini di sektor
pertanian memiliki potensi untuk membuka pintu bagi inovasi baru, meningkatkan

1
efisiensi, dan secara keseluruhan memajukan sektor pertanian ke arah yang lebih
berkelanjutan dan adaptif terhadap perubahan kondisi lingkungan.

1.2 Rumusan Masalah

1. Bagaimana merancang dan mengembangkan aplikasi deteksi cuaca

berbasis teknologi kecerdasan buatan (machine learning) untuk
mendukung kegiatan pertanian?
2. Bagaimana hasil deteksi cuaca yang dihasilkan oleh algoritma K-means
clustering dapat disajikan secara efektif kepada petani?
3. Sejauh mana aplikasi deteksi cuaca ini mampu memberikan rekomendasi
tanaman yang relevan dan cerdas berdasarkan kondisi cuaca yang
teridentifikasi?
4. Bagaimana implementasi teknologi kecerdasan buatan dalam bentuk
aplikasi praktis seperti ini dapat mempengaruhi pengembangan aplikasi
cerdas lainnya dalam konteks pertanian modern?

1.3 Tujuan Praktek kerja lapangan

1.3.1 Tujuan Umum

Adapun tujuan umum dari Praktek Kerja Lapangan di Bangkit Academy ialah
sebagai berikut:
1. Menyediakan alat yang dapat mendukung kegiatan pertanian dengan
memberikan informasi detail mengenai kondisi cuaca yang dapat
mempengaruhi proses pertanian.
2. Menentukan algoritma K-means clustering sebagai model machine
learning yang sesuai untuk memberikan rekomendasi tanaman berdasarkan
cuaca, dengan mempertimbangkan keefektifan dan keakuratan hasil
deteksi.

2
 3. Meningkatkan fungsionalitas aplikasi dengan menyediakan rekomendasi
tanaman yang sesuai berdasarkan kondisi cuaca yang teridentifikasi,
memberikan nilai tambah bagi petani dalam pengambilan keputusan.
4. Menilai sejauh mana aplikasi ini dapat berkontribusi dalam meningkatkan
keberlanjutan dan produktivitas dalam sektor pertanian melalui
penggunaan teknologi kecerdasan buatan.

1.3.2 Tujuan Khusus

Sedangkan tujuan khusus dari Praktek Kerja Lapangan ialah sebagai berikut:
A. Bagi Mahasiswa
1. Menyediakan alat yang dapat mendukung kegiatan pertanian dengan
memberikan informasi detail mengenai kondisi cuaca yang dapat
mempengaruhi proses pertanian.
2. Menentukan algoritma K-means clustering sebagai model machine
learning yang sesuai untuk memberikan rekomendasi tanaman
berdasarkan cuaca, dengan mempertimbangkan keefektifan dan
keakuratan hasil deteksi.
3. Meningkatkan fungsionalitas aplikasi dengan menyediakan
rekomendasi tanaman yang sesuai berdasarkan kondisi cuaca yang
teridentifikasi, memberikan nilai tambah bagi petani dalam
pengambilan keputusan.
4. Menilai sejauh mana aplikasi ini dapat berkontribusi dalam
meningkatkan keberlanjutan dan produktivitas dalam sektor pertanian
melalui penggunaan teknologi kecerdasan buatan.
5. Aplikasi deteksi cuaca dapat memberikan informasi cuaca yang lebih
akurat dan terperinci kepada petani, membantu mereka dalam
merencanakan kegiatan pertanian dan mengambil keputusan yang
lebih tepat waktu.
6. Dengan memberikan rekomendasi tanaman berdasarkan kondisi cuaca
yang teridentifikasi, aplikasi ini membantu petani dalam menentukan

3
 jenis tanaman yang paling sesuai dengan lingkungan pertanian
mereka, meningkatkan efisiensi dan produktivitas.
7. Dengan memanfaatkan teknologi kecerdasan buatan, petani dapat
mengoptimalkan pengelolaan pertanian mereka berdasarkan informasi
cuaca yang akurat, sehingga dapat meningkatkan produktivitas dan
hasil panen.
8. Informasi yang disajikan oleh aplikasi membantu petani dalam
pengambilan keputusan yang lebih baik, termasuk dalam hal
pemilihan tanaman, waktu penanaman, dan pengelolaan sumber daya
pertanian.
9. Penelitian ini memberikan kontribusi pada pengembangan dan
implementasi teknologi kecerdasan buatan dalam konteks pertanian,
membuka pintu bagi inovasi lebih lanjut dan penelitian yang dapat
memajukan sektor pertanian.

B. Bagi Universitas Pembangunan Nasional “Veteran” Jawa Timur

1. Membangun hubungan dan Kerjasama yang erat antar pihak kampus
dan pihak mitra. Hal ini tentunya berkaitan erat dengan adanya
kolaborasi, pertukaran pengetahuan, dan penerapan akademik yang
nyata.
2. Bisa lebih meningkatkan kualitas pendidikan yang ada di kampus
karena memperoleh banyak masukan dan ide dari pihak mitra.
3. Menerapkan pembelajaran yang lebih efektif dan berkualitas di
lingkungan kampus dengan belajar dari pengalaman mengajar yang
diterapkan di studi independent ini.

C. Bagi Mitra di Yayasan Dicoding Indonesia

1. Sarana untuk menjalin kerjasama dalam hal penelitian dan
membangun inovasi antara pihak mitra atau perushaan dengan pihak
kampus.

4
 2. Menciptakan kesempatan bagi mitra atau perusahaan untuk
mengamati potensi yang ada di dalam diri para mahasiswa untuk
menciptakan lingkungan belajar yang efisien dan berkualitas.
3. Membantu meningkatkan citra dan pamor dari mitra atau perusahaan
di mata mahasiswa, pihak kampus, maupun Masyarakat umum
lainnya.

1.4 Manfaat/Kegunaan

Sedangkan tujuan khusus dari Praktek Kerja Lapangan ialah sebagai berikut:
A. Bagi Mahasiswa
1. Mendorong tingkat kekreatifitasan mahasiswa untuk bertanggung
jawab dalam membuat suatu projek yang diharapkan bisa menjadi
Solusi dari masalah yang ada.
2. Sebagai bahan untuk pertanggungjawaban bagi mahasiswa yang telah
menyelesaikan Tugas Praktek Kerja Lapangan yang berkaitan dengan
program keahliannya masing-masing.
3. Sebagai salah satu bukti bahwa mahasiswa yang bersangkutan telah
melakukan Praktik Kerja Lapangan dengan baik.
4. Mahasiswa menjadi punya wawasan dan keterampilan dalam
memecahkan masalah serta berkolaborasi antar teman satu
kelompoknya.

B. Bagi Universitas Pembangunan Nasional “Veteran” Jawa Timur

1. Mencetak calon alumni-alumni yang berkualitas, berpikir kritis, dan
mempunya kreatifitasan yang tinggi.
2. Sebagai bahan evaluasi dalam pembelajaran yang ada di lingkungan
kampus agar bisa lebih meningkatkan mutu pembelajaran di
tahuntahun berikutnya.
3. Sarana penyaluran informasi bagi instansi yang membutuhkan data
dari alumni Universitas Pembangunan Nasional “Veteran” Jawa
Timur.

5
C. Bagi Mitra di Yayasan Dicoding Indonesia
1. Menjadi instansi yang memiliki citra dan pamor baik di kalangan
mahasiswa, pihak kampus, maupun masyarakat umum yang terlibat.
2. Menjadi sarana untuk menghubungkan mahasiwa dengan pihak
instansi atau perusahan dalam hal perekrutan pegawai yang memiliki
kemampuan tertentu di bidangnya.
3. Sebagai acuan untuk peningkatan efisiensi dan produktivitas dalam
kendala sistem otomasi instansi maupun infrastruktur yang ada.
4. Sebagai media untuk mengenalkan produk atau layanan mitra kepada
mahasiswa, menciptakan peluang untuk pengenalan merek dan
potensial peningkatan pangsa pasar.
5. Sebagai media untuk mengenalkan produk atau layanan mitra kepada
mahasiswa, menciptakan peluang untuk pengenalan merek dan
potensial peningkatan pangsa pasar.

6
 BAB II
GAMBARAN UMUM TEMPAT PKL

2.1 Sejarah Perusahaan / Instansi

Gambar 2.1 Logo Bangkit

Kampus Merdeka adalah bagian dari kebijakan Merdeka Belajar oleh

Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi (Kemendikbudristek)
yang memberikan seluruh mahasiswa kesempatan untuk mengasah kemampuan
sesuai bakat dan minat dengan terjun langsung ke dunia kerja sebagai langkah
persiapan karier. Salah satu program dari dapat diikuti mahasiswa untuk
mengasah skill dalam mempersiapkan karier di masa depan yaitu MSIB (Magang
dan Studi Independen).
MSIB (Magang dan Studi Independen) adalah salah satu program Kampus
Merdeka yang dirancang untuk memberikan kesempatan kepada mahasiswa untuk
belajar dan mengembangkan diri melalui aktivitas di luar kelas perkuliahan,
namun tetap diakui sebagai bagian dari perkuliahan. Program ini diperuntukkan
bagi mahasiswa yang ingin melengkapi dirinya dengan menguasai kompetensi
spesifik dan praktis yang juga dicari oleh dunia usaha dunia industri. Program ini

7
diperuntukkan mahasiswa aktif pada jenjang D2/D3/D4/S1 atau belum yudisium
serta bersedia untuk tidak yudisium selama jangka waktu MSIB berlangsung
dengan ketentuan pendaftaran minimal semester 5 untuk mahasiswa D2/D3/D4,
sementara untuk mahasiswa S1 minimal semester 4. Mahasiswa diharapkan
menjalani program secara penuh waktu (fulltime) serta berkomitmen untuk
melaksanakan dan menyelesaikan program MSIB hingga selesai. Menyatakan diri
untuk bisa berkomitmen selama menjalani program. Program MSIB Kampus
Merdeka memberikan mahasiswa kesempatan untuk mengasah skill dengan
belajar dan bekerja secara langsung di dunia industri. Program ini akan
berlangsung selama 20 minggu, dan kegiatannya dapat dikonversikan dalam 20
SKS.
Saat ini program Kampus Merdeka menggandeng banyak mitra dari
berbagai institusi dan perusahaan, salah satunya PT. Dicoding Akademi Indonesia.
PT. Dicoding Akademi Indonesia adalah sebuah perusahaan startup yang
bertujuan mengembangkan ekosistem developer di Indonesia. Salah satu program
pembelajaran PT. Dicoding Akademi Indonesia yang di dukung oleh Google
adalah Bangkit. Bangkit didesain untuk mempersiapkan peserta dengan
kecakapan (skills) yang relevan dan dibutuhkan berdasarkan sertifikasi teknikal.
Bangkit Academy 2021 merupakan salah satu cabang program dari Studi
Independen yang merupakan bagian dari Kampus Merdeka. Program ini digagas
oleh Google yang bekerja sama dengan Gojek, Tokopedia, dan Traveloka.
Program ini mempersiapkan para siswa untuk menjadi professional di salah satu
dari tiga bidang yang akan ditempuh, seperti Mobile Development, Machine
Learning, dan Cloud Computing. Program ini pertama dilaksanakan pada tahun
2020 dengan jalur pembelajaran Machine Learning dan dilaksanakan secara
mandiri, artinya bukan merupakan bagian dari program Kampus Merdeka. Pada
saat itu, program Bangkit Academy menerima 300 peserta untuk mengikuti
program Bangkit Academy 2020. Pada tahun 2021, Bangkit Academy menerima
3000 peserta dari berbagai Perguruan Tinggi Negeri maupun Perguruan Tinggi
Swasta. Awalnya program Bangkit Academy ini adalah program yang diikuti
secara mandiri, karena program ini belum bekerja sama dengan platform Kampus
Merdeka. Program Bangkit Academy pertama kali diluncurkan pada tahun 2020

8
dan hanya membuka satu jalur pembelajaran saja, yaitu Machine Learning.
Berikut adalah jejak langkah program Bangkit Academy.

Tahun Jalur Pembelajaran Total Peserta Jalur

Pendaftaran

2020 Machine Learning 300 Mandiri

2021 Machine Learning, 3000 Website Kampus

Cloud Computing, Merdeka
Mobile Development

2022 Machine Learning, 3100 Website Kampus

Cloud Computing, Merdeka
Mobile Development

2023 Machine Learning, 5000 Website Kampus

Cloud Computing, Merdeka
Mobile Development

Tabel 2.1 Jejak Langkah Bangkit Academy

Tahun ini Bangkit kembali menyelenggarakan 3 (tiga) alur belajar

multidisiplin – Machine Learning, Mobile Development (Android), dan Cloud
Computing. Dengan mengikuti Bangkit, peserta akan memiliki pengalaman dan
terekspos dengan serba-serbi karir di industri dan pekerjaan di ekosistem
teknologi Indonesia.
Program ini dilaksanakan selama satu semester dengan total jam belajar
kurang lebih 900 jam. Dalam program ini mahasiswa akan belajar dari para ahli
tentang hard-skill mengenai teknologi terkini sesuai dengan jalur pembelajaran
yang dipilih dan soft-skill tentang pengembangan diri dan profesionalisme
ditempat kerja. Setelah lulus dari program Bangkit Academy, peserta akan
diberikan kesempatan untuk mengambil sertifikasi profesi sesuai jalur
pembelajaran yang ditempuh. Dalam Laporan PKL ini, jalur pembelajaran yang
saya ambil adalah Kecerdasan Buatan (Machine Learning).

9
2.2 Struktur Organisasi
Bangkit didesain untuk mempersiapkan peserta dengan keterampilan
(skills) yang relevan dan dibutuhkan berdasarkan sertifikasi teknikal. Tahun ini
Bangkit kembali menyelenggarakan 3 (tiga) alur belajar, yaitu: Machine Learning,
Mobile Development (Android), dan Cloud Computing. Dengan mengikuti
Bangkit, peserta akan memiliki pengalaman dan informasi mengenai karir di
industri dan pekerjaan di ekosistem teknologi Indonesia.
Bangkit merupakan program pembelajaran yang dipimpin oleh Google
dengan dukungan GoTo, Traveloka, dan DeepTech Foundation. Dengan dukungan
Kampus Merdeka, Bangkit akan menawarkan 3.000 tempat untuk mahasiswa
Indonesia untuk memastikan mereka relevan dengan keterampilan yang
dibutuhkan oleh industri pada semester ganjil, tahun 2022/2023.
Adapun struktur organisasi merupakan sebuah garis penugasan formal
yang menunjukkan alur tugas dan tanggung jawab setiap anggota perusahaan,
perusahaan serta hubungan antar pihak dalam organisasi yang bekerja sama untuk
mencapai suatu tujuan organisasi. Struktur organisasi dari Bangkit Academy
adalah

Gambar 2.2 Struktur Organisasi

Pada organisasi Bangkit Academy 2023 ini diawasi langsung oleh tim
Google Indonesia, Dora Songco selama kegiatan studi independent berlangsung.
Lalu Pemimpin program Bangkit Academy 2023 atau yang biasa disebut

10
“Program Lead Bangkit Academy” adalah Narenda Wicaksono. Narendra
membawahi 4 divisi utama, yaitu:

2.2.1 Program Manager

Peran dari Program Manager bertanggung jawab untuk berkoordinasi

dengan pemangku kepentingan dan memastikan bahwa proses pembelajaran
peserta berjalan dengan baik.

2.2.2 Learning Support Manager

Learning support manager bertanggung jawab untuk perencanaan

program dan penganggaran serta mengelola capstone, proses penilaian dan
distribusi rewards.

2.2.3 Cohort Manager

Cohort manager bertanggung jawab untuk memanajemen dan memegang

semua partisipan dan memastikan tingkat kelulusan minimal sama dengan tahun
lalu.

2.2.4 Curriculum Manager

Curriculum Manager bertanggung jawab untuk menjaga dan memonitor

kurikulum untuk semua learning path (tech dan softskill learning paths),
menyediakan timeline pembelajaran peserta dan memonitor progres belajar
peserta.

2.3 Bidang Usaha

Dicoding Bangkit adalah inisiatif pendidikan daring yang dikembangkan

oleh Google Indonesia. Program ini memiliki fokus utama pada pelatihan sumber
daya manusia dalam bidang teknologi, khususnya pengembangan perangkat lunak
dan kecerdasan buatan., berikut penjelasan lebih detail mengenai tiga jalur
pembelajaran tersebut :

11
2.3.1 Mobile Development Learning Path
Mobile Development Path mempelajari tentang konsep dasar
dalam pembuatan perangkat lunak berbasis perangkat mobile (Android).
Perangkat mobile yang dimaksud adalah perangkat smartphone yang
sudah terinstall Android. Peserta yang akan mengikuti jalur pembelajaran
ini akan mengikuti proses pembelajaran menggunakan Platform Dicoding
yang menjadi mitra Bangkit Academy dalam memberikan materi
pembelajaran kepada para peserta. Peserta juga akan dipersiapkan untuk
mengikuti ujian Sertifikat Pengembang Asosiasi Android (Android
Associate Developer Certificate). Pada jalur pembelajaran Mobile
Development, peserta akan melakukan proses pembelajaran dengan
tahapan sebagai berikut: a.
a. Memulai Pemrograman dengan Kotlin
b. Mempelajari tentang prinsip Pemrograman SOLID
c. Belajar membuat aplikasi Android untuk pemula d. Belajar dasar-dasar
aplikasi Android
d. Belajar tentan Android Jetpack Pro
e. Menjadi pakar pengembang Android.

2.3.2 Machine Learning Path

Machine Learning Path mempelajari tentang teknologi Machine
Learning yang merupakan bagian dari Artificial Intelligence (AI). Dan
juga mempelajari tentang aplikasi Machine Learning dalam pada
permasalahan sehari-hari seperti mendeteksi tumbuhan dan membuat
prediksi berdasarkan data yang telah diolah menggunakan Machine
Learning. Selain itu, Path ini juga belajar tentang pemanfaatan Tensorflow
yang merupakan software yang membantu dalam proses Machine
Learning. Peserta juga akan dipersiapkan untuk mengikuti ujian Sertifikat
Pengemabang Tensorflow. Pada jalur Machine Learning, peserta akan
melakukan proses pembelajaran dengan tahapan sebagai berikut:
a. Google IT Automation with Python
b. Google Data Analytics

12
c. Math For Machine Learning & Data Science
d. Machine Learning Specialization
e. Structuring Machine Learning Project
f. DeepLearning.AI TensorFlow Developer Professional Certificate
program
g. TensorFlow: Data and Development Specialization

2.3.3 Cloud Computing Path

Cloud Computing pada kegiatan Bangkit 2021 mempersiapkan
peserta untuk menjadi Cloud Engineer yang mampu menyiapkan
infrastruktur IT berbasis Cloud Computing untuk menyelesaikan
permasalahan industri dengan teknologi terkini. Peserta yang mengikuti
Path ini akan menggunakan Google Cloud Platform (GCP)untuk
mengoperasikan Cloud Computing yang akan berfungsi sebagai server
untuk memecahkan masalah industry. Peserta juga akan dipersiapkan
untuk mengikuti ujian Associate Cloud Engineer Certificate. Pada jalur
pembelajaran Cloud Computing, peserta akan melakukan proses
pembelajaran dengan tahapan sebagai berikut:
a. Belajar tentang Google IT Automation dengan Python
b. Google Cloud Computing Foundations
c. Architecting with Google Compute Engine
d. From Data to Insights with Google Cloud Platform

13
2.3 Lokasi Instansi

Gambar 2.3 Lokasi Kantor

Lokasi PKL berada di PT. Dicoding Akademi Indonesia atau biasa disebut
dengan Dicoding dilakukan secara mandiri / asynchronous. Alamat kantor
Dicoding berada di Dicoding Space, Jalan Batik Kumeli No 50, Kecamatan :
Cibeunying Kaler, Kelurahan : Sukaluyu, RT : 10, RW : 07, Kota Bandung, Jawa
Barat, 40123

Gambar 2.4 Lokasi Kantor

Waktu PKL yang dilaksanakan sekitar 20 minggu namun untuk pengerjaan

capstone dilaksanakan selama 4 minggu (termasuk dalam 20 minggu) dengan

14
durasi jam belajar 900 jam mulai dari hari Senin hingga Jumat, dalam waktu 20
minggu saya mendapatkan materi baru dan pengetahuan baru

15
 BAB III
PELAKSANAAN

3.1 Waktu dan Tempat MBKM

Pelaksanaan Studi Independen di Bangkit Academy 2023 dimulai pada

tanggal 7 Agustus 2023 sampai tanggal 8 Januari 2023. Modul pembelajaran
mandiri diakses di website Dicoding Indonesia, lalu setiap minggu akan ada 2
pertemuan online yang wajib dihadiri oleh setiap peserta, yaitu Instructor-Led
Training (ILT) dan konsultasi mingguan bersama mentor di tiap grub belajar. Bagi
peserta yang berhalangan hadir bisa mengganti jadwal kelas ke hari yang lain.
Total pembelajaran selama 20 minggu ini menghabiskan waktu hingga 900 jam
untuk mempelajari semua modul dan tugas yang ada. Dan berikut adalah linimasa
dari kegiatan yang ada selama mengikuti Bangkit Academy 2023:

Waktu Kegiatan

14 Agustus 2023 Nasional Onboarding a) ILT Technical

15-16 Agustus 2023 Company Onboarding b) ILT Soft Skill

c) ILT English
17 Agustus English Pretest
d) Weekly Consultation
18 Agustus - 18 Pembelajaran Mandiri
e) Team Meating
November 2023

19 - 20 November 2023 Simulasi Ujian Global

TensorFlow (TensorFlow
Developer)

20 November - 22 Pengerjaan Capstone

Desember 2023 Project

23 Desember 2023 English Post Test

24 - 27 Desember 2023 Peer Review

8 Januari 2024 Pengumuman 50

kelompok terbaik

16
 Tabel 3.1 Linimasi Kegiatan

1. Pembelajaran Mandiri

Gambar 3.1 Platform Coursera

Ketika memilih Machine Learning Learning Path, maka seluruh

pembelajaran mandiri ada di website resmi Dicoding yang mengharuskan
setiap cohort menyelesaikan modul yang ada di dalam website tersebut.
Modul tersebut berisi materi pembelajaran, quiz, dan submission yang
harus dikerjakan agar mendapatkan sertifikat. Materi yang ada di
dalamnya, berupa

2. ILT Tech Skill

Tiap dua minggu sekali, akan ada sesi online meeting dengan
advisor yang sudah berpengalaman di bidang android development selama
1,5 jam. Setelah adanya pemaparan materi, akan ada quiz dengan waktu
yang telah ditentukan oleh tim bangkit. Setelah itu ada sesi tanya jawab
secara langsung yang dapat disampaikan lewat kolom komentar maupun
mengatakannya langsung. Topik yang dibahas dalam ILT Tech Skill
adalah:
1) ILT-ML-01-AP Introduction to Python & Git/GitHub

17
 2) ILT-ML-02-BA Data Analytics
3) ILT-ML-03-AP Introduction to Machine Learning
4) ILT-ML-04-AU Introduction to Unsupervised Learning & ANN
5) ILT-ML-05-AJ Advanced Technique in Deeplearning with
TensorFlow
6) ILT-ML-06-AC Model Deployment with TensorFlow
7) ILT-ML-07-AR TensorFlow Developer Certification Preparation

3. ILT Soft Skill

Gambar 3.2 Meet Soft Skills

ILT Soft Skill juga merupakan pertemuan online yang harus

dihadiri oleh semua cohort setiap dua minggu sekali selama 1,5 jam.
Selain mempelajari tech skill, pertemuan ini juga bertujuan menambah
wawasan mengenai berbagai soft skill yang akan berguna di dunia kerja
nantinya. Sama seperti ILT tech skill, di akhir pertemuan akan ada quiz
yang harus dikerjakan dengan waktu tertentu. Lalu akan ada sesi tanya
jawab dan pengisian feedback. Topik-topik yang dibahas dalam ILT Tech
Skill adalah:
1) Growth Mindset and The Power of Feedback

18
 2) Time Management
3) Critical Thinking and Problem Solving
4) Adaptability and Resilience
5) Project Management
6) Professional Communication and Networking
7) Personal Branding and Interview Communication

4. ILT English

Gambar 3.3 Meet ILT English

ILT English adalah pertemuan online yang harus dihadiri juga oleh
semua cohort. Pertemuan ini tentunya sangat berbeda dibandingkan
lainnya, karena advisor nya merupakan native dari luar Indonesia yang
mengharuskan kita untuk berbicara dan berdiskusi selama pertemuan
menggunakan Bahasa Inggris. ILT English biasanya diadakan tiap bulan
sekali dengan durasi 1 jam tanpa adanya quiz di akhir pertemuan.
Topik-topik yang dibahas dalam ILT English adalah:
1) Spoken Correspondence
2) Expressing Opinions
3) Business Presentation

19
5. Weekly Consultation

Gambar 3.4 Meet ILT English

Sekali dalam seminggu terdapat pertemuan online yang wajib

dihadiri oleh setiap cohort bersama mentor yang terdapat di dalam group
kelasnya. Di dalam pertemuan ini biasanya sedikit santai dan para cohort
bisa bebas bertanya atau bercerita mengenai apapun kepada mentor.
Terkadang pertemuan ini untuk menilai sejauh mana progress yang telah
dilakukan oleh setiap cohort.

6. Student Team Meeting

20
 Gambar 3.5 Live Youtube Student Team Meeting

Student team meeting ini adalah pertemuan yang harus ditonton

oleh semua cohort di platform youtube. Pertemuan ini biasanya diadakan
tim Bangkit untuk membahas persoalan yang sering ditanyakan cohort
mengenai aturan dan prosedur yang ada selama pembelajaran berlangsung.
Topik-topik yang dibahas dalam Student Team Meeting adalah : 1)
Prosedur ILT 2) Milestone 3) Capstone Project

7. English Test
Sebelum kegiatan Studi Independen di Bangkit Academy 2023
berlangsung, semua peserta mengerjakan “Pre-test English” untuk
mengukur kemampuan dalam Bahasa Inggris yang baik dan benar. Tes
Bahasa Inggris ini dilakukan di gform dengan rentang waktu yang telah
ditentukan. Setelah tes berlangsung, akan muncul hasilnya berupa nilai
dan kategori level bahasa Inggris tiap peserta. Dan sebelum kegiatan ini
berakhir, juga akan diadakan “Post-test English” untuk membandingkan
kemampuan bahasa Inggris peserta sebelum dan sesudah mengikuti
kegiatan di Bangkit Academy 2023.

21
8. Capstone Project
Capstone Project merupakan tugas akhir yang harus dikerjakan
oleh seluruh cohort untuk mencapai kelulusan dalam kegiatan
pembelajaran di Bangkit Academy. Tugas akhir ini terdapat 2 kategori,
yaitu Company Based dan Product Based. Project yang dikerjakan pada
kategori company based adalah real project dari beberapa perusahaan.
Di kegiatan ini, kelompok saya memilih Product Based dengan 6
anggota yang terdiri dari path Machine learning, Cloud Computing, dan
Mobile Development. Product aplikasi yang kami buat berjudul “Cuaca
Tani.

9. Peer Review

Gambar 3.6 Meet Peer review

Di sesi peer review ini, setiap 10 kelompok dengan tema yang

sama akan saling mempresentasikan hasil aplikasi yang sudah dibuat, dan
dijabarkan selama 10 menit per kelompok. Sembari menunggu giliran, tiap
individu 21 diharuskan untuk memberi penilaian tentang proses presentasi
yang sedang berlangsung. Setelah semua kelompok sudah selesai, di akhir

22
 sesi mentor akan memberikan link form yang berisi penilaian kinerja dari
anggota kelompok sendiri

3.2 Pelaksanaan

3.2.1 Tinjauan Pustaka

Tabel 3.1 jadwal tugas

Dalam proses pembuatan laporan ini, digunakan beberapa teori yang

melandasi serta diperlukan untuk pengembangan aplikasi deteksi cuaca untuk
kegiatan pertanian “Cuaca Tani”. Berikut adalah rincian dari konsep dasar dan
definisi yang berkaitan dengan perangkat lunak yang digunakan:

23
a. Android Studio Code

Gambar 3.7 Logo Android Studio Code

Android Studio adalah IDE (Integrated Development Environment)

berbasis Intellij IDEA yang digunakan khusus untuk membangun
aplikasi Android. Bahasa pemrograman yang bisa digunakan untuk
mengembangkan aplikasi Android adalah Kotlin dan Java. Namun,
yang direkomendasikan dari Google adalah Kotlin
b. Kotlin

Gambar 3.8 Logo Kotlin

Kotlin adalah bahasa pemrograman modern yang merupakan

sumber terbuka (open source) yang dirancang untuk berjalan pada
mesin virtual Java (JVM). Bahasa ini dikembangkan oleh JetBrains,
Kotlin dirilis pada tahun 2011 dan secara resmi mendukung
pengembangan perangkat lunak Android oleh Google sejak tahun
2017. Selain itu, Kotlin dapat digunakan untuk pengembangan
aplikasi server, desktop, dan web.

24
c. Java Development Kit (JDK)

Gambar 3.9 Logo JDK

Java Development Kit (JDK) adalah satu set perangkat lunak

pengembangan yang menyediakan alat-alat dan
komponen-komponen yang diperlukan untuk mengembangkan,
menguji, dan menjalankan aplikasi Java. JDK merupakan bagian
integral dari lingkungan pengembangan Java dan mencakup Java
Runtime Environment (JRE), compiler Java, dan berbagai alat dan
pustaka (libraries) pendukung

d. Postman

Gambar 3.10 Logo Postman

Postman adalah sebuah platform kolaboratif yang digunakan oleh

pengembang perangkat lunak untuk merancang, menguji, dan
memonitor API (Application Programming Interface). Dengan

25
 Postman, pengguna dapat membuat, mengirim, dan mengelola
permintaan HTTP serta melihat tanggapan dari server. Ini adalah alat
yang sangat berguna untuk mempermudah pengembangan dan
pengujian API.

e. Figma

Gambar 3.11 Logo Figma

Figma merupakan sebuah platform desain kolaboratif yang

memungkinkan beberapa orang dalam tim untuk bekerja secara
bersamaan dalam waktu nyata. Ini adalah alat yang populer dalam
dunia desain UX/UI (User Experience/User Interface) dan digunakan
untuk membuat prototipe, desain antarmuka pengguna, dan
kolaborasi tim desain
f. Colab

26
 Gambar 3.12 Logo Colab

Menggunakan Google Colab karena lebih mudah menggabungkan

teks, kode, dan hasil visualisasi dalam satu dokumen interaktif. Ini
sangat berguna untuk eksplorasi data, analisis, dan pembelajaran
mesin. Google Colab menyediakan akses gratis ke unit pemrosesan
grafis (GPU) dan unit pemrosesan tensor (TPU). Ini sangat
bermanfaat untuk tugas-tugas yang memerlukan kecepatan
komputasi tinggi, seperti pelatihan model deep learning. Google
Colab memanfaatkan infrastruktur cloud Google, memungkinkan
pengguna untuk menggunakan sumber daya komputasi berbasis
cloud tanpa biaya tambahan (meskipun ada batasan pada durasi
penggunaan dan jenis sumber daya). Pengguna dapat berkolaborasi
secara real-time dengan orang lain saat membuat dan mengedit
notebook. Colab menyediakan fitur kolaborasi yang memungkinkan
beberapa pengguna bekerja pada proyek yang sama secara
bersamaan. Google Colab terintegrasi dengan Google Drive,
memungkinkan pengguna menyimpan dan mengelola notebook
mereka secara mudah.

g. Python

27
 Gambar 3.13 Logo Python

Python adalah bahasa pemrograman tingkat tinggi yang serbaguna,

mudah dipahami, dan memungkinkan pengembangan perangkat
lunak dengan sintaksis yang bersih. Bahasa ini dirancang dengan
fokus pada keterbacaan kode dan produktivitas pemrogram.
Library yang digunakan :

1. Sklearn

Gambar 3.14 Logo Sklearn

Sklearn menyediakan sejumlah algoritma pembelajaran

mesin untuk tugas-tugas seperti klasifikasi, regresi,
pengelompokan, reduksi dimensi, dan lainnya. Ini termasuk
algoritma populer seperti Support Vector Machines (SVM),
Random Forests, k-Means, dan banyak lagi. Scikit-learn memiliki
fungsi-fungsi untuk memproses dan membersihkan data sebelum
memasukkannya ke dalam model. Ini termasuk normalisasi,
pengkodean variabel kategorikal, penanganan nilai-nilai yang
hilang, dan transformasi data lainnya.

2. Numpy

28
 Gambar 3.15 Logo NumPy

NumPy mendukung berbagai operasi matematika pada array,

termasuk operasi elemen-wise (operasi yang dilakukan pada setiap
elemen array), operasi matriks, dan fungsi-fungsi matematika
lainnya. NumPy menyediakan mekanisme indeksing dan slicing
yang kuat untuk mengakses dan memanipulasi data dalam array
dengan cara yang mirip dengan list pada Python.

3. Matplotlib

Gambar 3.16 Logo matplotlib

Matplotlib mendukung pembuatan berbagai jenis grafik dan

plot, termasuk grafik garis, scatter plot, histogram, bar chart, area
plot, dan sebagainya. Matplotlib memungkinkan pengguna untuk
membuat subplot, yang memungkinkan tata letak yang kompleks
dengan beberapa plot dalam satu gambar. Matplotlib dapat

29
 digunakan bersamaan dengan pustaka-pustaka lain seperti NumPy,
Pandas, dan Seaborn untuk analisis dan visualisasi data yang lebih
lanjut.

h. TensorFlow

Gambar 3.17 Logo TensorFlow

TensorFlow adalah perpustakaan open-source untuk pembelajaran mesin

dan kecerdasan buatan yang dikembangkan oleh tim Google Brain.
TensorFlow menyediakan kerangka kerja yang komprehensif untuk
membangun, melatih, dan menerapkan model pembelajaran mesin. Nama
"TensorFlow" mencerminkan fokusnya pada representasi data dalam
bentuk tensor, yang merupakan struktur data multidimensional.

30
 i. TensorFlow Lite

Gambar 3.18 Logo TensorFlow Lite

TensorFlow Lite dirancang untuk memiliki ukuran yang lebih kecil dan
membutuhkan sumber daya yang lebih sedikit dibandingkan dengan versi
penuh TensorFlow. Hal ini membuatnya cocok untuk diintegrasikan dalam
aplikasi mobile dan perangkat IoT yang memiliki keterbatasan daya
komputasi dan penyimpanan. TensorFlow Lite menyediakan alat konversi
(converter) yang memungkinkan pengguna mengonversi model
TensorFlow standar ke format yang dapat dijalankan oleh TensorFlow
Lite. Ini mencakup dukungan untuk berbagai jenis model, termasuk model
klasifikasi.

j. GitHub

31
 Gambar 3.19 Logo Github

GitHub adalah platform pengembangan perangkat lunak berbasis

web yang menggunakan sistem kontrol versi Git. Ini berfungsi sebagai
tempat penyimpanan dan kolaborasi untuk proyek perangkat lunak,
memungkinkan pengembang untuk bekerja bersama secara efisien dan
melacak perubahan kode sumber. GitHub mendukung kolaborasi tim
dengan memungkinkan banyak pengembang bekerja pada proyek yang
sama. Fitur seperti pull requests memfasilitasi diskusi, tinjauan kode, dan
penggabungan perubahan.
k. Google Drive

Gamba 3.20 Logo Google Drive

Google Drive terintegrasi dengan suite produktivitas Google, termasuk

Google Docs (dokumen), Google Sheets (spreadsheet), dan Google Slides
(presentasi). Pengguna dapat membuat, mengedit, dan berbagi dokumen secara
kolaboratif. Pengguna dapat berbagi file dan folder dengan orang lain melalui
Google Drive. Fitur kolaborasi memungkinkan beberapa pengguna untuk bekerja
pada dokumen yang sama secara bersamaan dan melihat perubahan secara
real-time.

32
 3.2.2 Pelaksanaan PKL

Di program Bangkit Academy 2023, selain mengerjakan tugas pada modul

yang ada di website Dicoding Indonesia, saya bersama dengan tim juga harus
menyelesaikan Capstone Project sebagai syarat kelulusan dalam kegiatan ini.
Seperti yang sudah saya jabarkan sebelumnya, di dalam Capstone Project terbagi
menjadi 2 kategori, yaitu produk dan perusahaan. Produk adalah kategori yang
kami pilih, karena saya dan tim ingin mencoba pengalaman baru membuat
aplikasi original yang sesuai gambaran dan keinginan bersama. Ketentuan dari
kategori produk untuk Capstone Project adalah harus membentuk 6-7 orang yang
berisikan kelompok Machine Learning, Cloud Computing, dan Mobile
Development. Di tahap ini para peserta diharapkan untuk saling berkoordinasi
melalui Discord maupun Google Meet. Tiap kelompok juga diharapkan dapat
berdiskusi sesering mungkin untuk menentukan linimasa, tema, maupun desain
aplikasi. Hingga akhirnya terbentuklah kelompok untuk projek akhir berbasis
produk yang terdiri dari:

Nama Anggota Peran (Learning Path)

Dhevi Puspitasari Mobile Development

Avi Oktaviani Machine Learning

Muhammad Farhan Syadwi Machine Learning

Wahyu Arif Maulana Machine Learning

Sulastri Cloud Computing

Siti Nur Kaffah Cloud Computing

Tabel 3.2 Anggota Kelompok

Cuaca Tani merupakan aplikasi capstone project yang dibuat oleh tim saya
untuk menyelesaikan tugas capstone project Bangkit Academy. Cuaca Tani adalah
aplikasi berbasis android yang dirancang khusus untuk memenuhi kebutuhan
petani milenial yang terus berkembang dalam menghadapi tantangan pertanian
modern. Aplikasi ini tidak hanya menyediakan prakiraan cuaca reguler tetapi juga

33
menawarkan platform komprehensif yang mengintegrasikan informasi cuaca,
panduan penanaman tanaman yang disesuaikan berdasarkan kondisi cuaca, dan
akan dikembangkan lebih lanjut untuk memfasilitasi relasi yang bermakna antara
petani, industri, dan masyarakat umum.
Aplikasi yang kami kembangkan berkaitan erat dengan pertanian, karena
sektor pertanian merupakan tulang punggung produksi pangan global yang
menjadi tumpuan hidup jutaan petani di seluruh dunia, terutama di Indonesia.
Tantangan yang dihadapi para petani pun beragam, contohnya adalah harus
menghadapi cuaca dan iklim yang tak menentu. Hal ini bisa mengakibatkan
kerugian pada hasil panen dan pendapatan petani karena tanaman-tanaman
tertentu biasanya sangat rentan terhadap perubahan cuaca. Banyak juga dari
mereka terkendala dalam mendapatkan informasi tentang pertanian.
Dengan demikian, aplikasi ini diharapkan dapat membantu petani dari
berbagai kalangan untuk meningkatkan produktivitas pertanian, mengurangi 27
ketidakpastian terkait cuaca, dan berkontribusi pada ketahanan pangan global
dengan menjaga mata pencaharian petani. Itulah yang menjadi perhatian kami

34
 Gambar 3.21 Use Case diagram

Tahap pelaksanaan dalam menyelesaikan capstone projek ini dari awal

hingga akhir ada sebagai berikut :

1. Planning

Pada tahap ini terdapat pencarian ide, menentukan tema, analisa

kebutuhan, penentuan timeline tugas, dan pembuatan proposal. Dimana
penentuan ide ini dilakukan dengan cara setiap anggota mengajuakan ide
masing-masing lalu melakukan vote memilih tema. Setelah itu melakukan
analisis kebutuhan, tools apa saja yang diperlukan, dataset apa saja yang
dibutuhkan, lalu fitur apa saja yang akan ada pada aplikasi ini. Selain itu juga
dibuat timeline untuk menentukan batas pengerjaan tugas setiap peran /
learning path.

2. Prototyping & Design

Gambar 3.22 Prototype Cuaca Tani

Tahap ini dilakukan perancangan desain, fitur, dan logo aplikasi. Penetuan
warnapun juga sangat diperhatikan berdasarkan tema aplikasi tersebut dan

35
agar terlihat lebih menarik. Selain itu efisiensi penggunaan juga diperhatikan
agar desain aplikasi ini lebih user-friendly.

3. Developing

Gambar 3.23 Pelatihan Model

Tahap ini dilakukan implementasi pengembangan aplikasi sesuai dengan

design dan prototype yang telah dibuat. Selain itu pada tahap ini setiap
learning path melakukan jobdesk nya masing-masing. Seperti Mobile
Development membuat desain android aplikasi menggunakan aplikasi android
studio, lalu Cloud Computing membuat API login, register, dan lain-lain.
Terakhir Machine Learning Path mengumpulkan dataset, membersihkan
dataset, mencari model yang cocok dan mengembangkan serta melatih model
agar mendapatkan akurasi yang tinggi.

4. Testing

Pada tahap ini dilakukan pengujian terhadap aplikasi yang telah

dikembangkan, integrasi penyesuaian seperti mendeploy model dilakukan agar
apakah telah berjalan dengan baik sesuai dengan rencana awal dan kebutuhan
atau melenceng dari rencana awal. Jika berbeda jauh dari rencana awal maka
dilakukan pengembangan lagi seperti peningkatan akurasi model machine
learning dan memperbaiki fitur agar sesuai dengan desain dan prototype awal.

Pencarian dataset dilakukan melalui platform kaggle karena bisa dikatakan

cukup sulit untuk mencari dataset crop recommendation (dataset tanaman
beserta cuaca dan kelembapannya) yang sesuai dengan keadaan di Indonesia.

36
 Karena dataset yang dibutuhkan hanya bagian suhu, kelembapan, dan label
maka dilakukan pembersihan yang tidak diperlukan.

Gambar 3.24 Dataset dari Kaggle

Untuk melatih model kami menggunakan google colab agar lebih mudah
berkolaborasi dengan anggota lain dan anggota lain (selain machine learning path)
dapat memantau perkembangan model

37
 Gambar 3.25 Membulatkan nilai temperatur dan kelembaban

Nilai temperatur dan kelembaban dibulatkan agar proses pengelompokkan /

cluster lebih mudah dan efisien. Untuk melatih model kami menggunakan
google colab agar lebih mudah berkolaborasi dengan anggota lain dan anggota
lain (selain machine learning path) dapat memantau perkembangan model.

Gambar 3.26 Hanya mengambil sampel temperatur, kelembaban dan label

Dilakukan proses pembersihan dataset karena untuk data yang digunakan hanya
temperatur, kelembaban, dan label tanaman.

38
 Gambar 3.27 Menampilkan grafik temperatur dan kelembaban

Grafik temperatur dan kelembaban ditampikan untuk memberikan informasi

visual penting tentang nilai dari temperatur dan kelembaban.

39
 Gambar 3.28 Grafik sampel

Karena jumlah sampel pada dataset tidak seimbang, maka dilakukan SMOTE
untuk mengatasinya. SMOTE dapat meningkatkan keakuratan dan presisi
model pada kelas minoritas.

Gambar 3.29 Jumlah sampel yang tidak seimbang

Hal ini penting dalam kasus di mana kelas minoritas memiliki kepentingan
yang besar atau dampak yang signifikan. Karena jumlah sampel pada dataset
tidak seimbang, maka dilakukan SMOTE untuk mengatasinya. SMOTE dapat
meningkatkan keakuratan dan presisi model pada kelas minoritas.

40
 Gambar 3.30 Grafik sampel yang seimbang

Setelah itu dilakukan analisis angka cluster menggunakan metode WCSS,

dengan mengukur jumlah kuadrat jarak antara setiap titik data dalam cluster
dengan pusat clusternya.

41
 Gambar 3.31 Jumlah sampel yang seimbang

Setelah dilakukan SMOTE dapat meningkatkan keakuratan dan presisi model

pada kelas minoritas. Metode ini digunakan dalam algoritma clustering,
K-Means, untuk mengevaluasi kualitas pembagian cluster.

42
 Gambar 3.32 Grafik Plot Sampel

Sejak awal learning path ini menggunakan clustering karena dataset tanaman
ini memiliki banyak temperatur dan kelembaban yang berdekatan. Karena itu
dilakukan clustering untuk mempermudah klasifikasi sampel.

43
 Gambar 3.33 Analisa angka cluster

Berdasarkan titik pusatnya dibuat 3 cluster yaitu cluster 0, cluster 1, cluster 2.

Pada Gambar , cluster 2 angka kelembaban terdapat pada sekitar 0 hingga 40.
Untuk cluster 0 terdapat pada angka sekitar 40 - 70 an. Lalu cluster 1 angka
kelembaban diantara 70 an hingga 100 lebih.

Gambar 3.34 Hasil cluster

Setelah itu dilakukan distribusi setiap sampel sesuai pada clusternya. Dapat
dilihat cluster dengan sampel terbanyak terdapat pada cluster 1.

44
 Gambar 3.35 Pendistribusian sampel pada setiap cluster

Gambar 3.36 dataframe setiap cluster

Tampilan dataframe beberapa sampel dari masing masing cluster. Setelah

model selesai didistribusikan, maka model dibuat ulang berdasarkan distribusi
cluster.

45
 Gambar 3.37 kode untuk menerapkan SMOTE pada cluster 0

Kode ini digunakan untuk menampilkan jumlah sampel pada setiap kelas
sebelum penerapan SMOTE. Ini membantu untuk memahami seberapa tidak
seimbangnya kelas-kelas dalam dataset. Tiga kelas ('kacang polong', 'kopi',
dan 'lentil') dihapus dari dataset. Ini mungkin dilakukan karena data pada
kelas-kelas tersebut sedikit atau tidak cukup untuk membangun model yang
efektif. Fitur (X) dan target (y) dipisahkan. Fitur terdiri dari kolom
'temperature' dan 'humidity', sedangkan target adalah kolom 'label'. SMOTE
diterapkan pada fitur (X) dan target (y). Ini dilakukan untuk mensintesis
sampel-sampel baru pada kelas-kelas minoritas sehingga dataset menjadi lebih
seimbang.

Gambar 3.38 SMOTE cluster 0

Karena terdapat ketidakseimbangan pada jumlah sampel di cluster 0, maka

dilakukan SMOTE dengan menghapus beberapa kelas data, yaitu kacang
polong, kopi, dan lentil. Hal ini dilakukan agar kelas minoritas memiliki
jumlah yang seimbang dengan kelas mayoritas.

46
 Gambar 3.39 kode untuk menerapkan SMOTE pada cluster 1

Kode ini digunakan untuk menampilkan jumlah sampel pada setiap kelas
sebelum penerapan SMOTE. Ini membantu untuk memahami seberapa tidak
seimbangnya kelas-kelas dalam dataset. Empat kelas (‘kapas', 'padi', ‘pisang’
dan 'jagung') dihapus dari dataset. Ini mungkin dilakukan karena data pada
kelas-kelas tersebut sedikit atau tidak cukup untuk membangun model yang
efektif. Fitur (X) dan target (y) dipisahkan. Fitur terdiri dari kolom
'temperature' dan 'humidity', sedangkan target adalah kolom 'label'. SMOTE
diterapkan pada fitur (X) dan target (y). Ini dilakukan untuk mensintesis
sampel-sampel baru pada kelas-kelas minoritas sehingga dataset menjadi lebih
seimbang.

47
 Gambar 3.40 SMOTE cluster 1

Karena terdapat ketidakseimbangan pada jumlah sampel di cluster 1, maka

dilakukan SMOTE dengan menghapus beberapa kelas data, yaitu kapas, padi,
jagung, dan pisang. Hal ini dilakukan agar kelas minoritas memiliki jumlah
yang seimbang dengan kelas mayoritas

48
 Gambar 3.29 kode untuk menerapkan SMOTE pada cluster 2

Kode ini digunakan untuk menampilkan jumlah sampel pada setiap kelas
sebelum penerapan SMOTE. Ini membantu untuk memahami seberapa tidak
seimbangnya kelas-kelas dalam dataset. Ini mungkin dilakukan karena data
pada kelas-kelas tersebut sedikit atau tidak cukup untuk membangun model
yang efektif. Fitur (X) dan target (y) dipisahkan. Fitur terdiri dari kolom
'temperature' dan 'humidity', sedangkan target adalah kolom 'label'. SMOTE
diterapkan pada fitur (X) dan target (y). Ini dilakukan untuk mensintesis
sampel-sampel baru pada kelas-kelas minoritas sehingga dataset menjadi lebih
seimbang.

49
 Gambar 3.30 SMOTE cluster 2

Karena terdapat ketidakseimbangan pada jumlah sampel di cluster 2, maka

dilakukan SMOTE agar kelas minoritas memiliki jumlah yang seimbang
dengan kelas mayoritas.

Gambar 3.41 model yang digunakan pada cluster 0

model ini memiliki arsitektur dengan tiga lapisan tersembunyi, masing-masing

dengan 64, 64, dan 128 neuron, serta lapisan output yang sesuai dengan jumlah
kelas pada masalah klasifikasi yang diatasi. Fungsi aktivasi ReLU digunakan di
lapisan tersembunyi, dan softmax di lapisan output untuk menghasilkan distribusi
probabilitas dari setiap kelas.

Gambar 3.42 model yang digunakan pada cluster 1

model ini memiliki arsitektur dengan tiga lapisan tersembunyi, masing-masing

dengan 64, 64, dan 128 neuron, serta lapisan output yang sesuai dengan jumlah
kelas pada masalah klasifikasi yang diatasi. Fungsi aktivasi ReLU digunakan di

50
lapisan tersembunyi, dan softmax di lapisan output untuk menghasilkan distribusi
probabilitas dari setiap kelas.

Gambar 3.43 model yang digunakan pada cluster 2

model ini memiliki arsitektur dengan tiga lapisan tersembunyi, masing-masing

dengan 64, 64, dan 128 neuron, serta lapisan output yang sesuai dengan jumlah
kelas pada masalah klasifikasi yang diatasi. Fungsi aktivasi ReLU digunakan di
lapisan tersembunyi, dan softmax di lapisan output untuk menghasilkan distribusi
probabilitas dari setiap kelas.

51
 Gambar 3.44 convert model cluster 0

Pada format awal model adalah h5, maka kami mengubah model menjadi
tensorflow.lite agar penggunaan model ke aplikasi android lebih cepat dan
mudah.

Gambar 3.45 convert model cluster 1

Mengubah format dari h5 ke tensorflow.lite diperlukan agar integrasi /

penerapan model ke aplikasi android lebih cepat dan mudah tanpa perlu
membuat API.

52
 Gambar 3.46 convert model cluster 2

Karena format awal model adalah h5, maka kami mengubah model menjadi
tensorflow.lite agar penggunaan model ke aplikasi android lebih cepat dan
mudah. Berikut adalah tugas learning path lain :

1. Mobile Developer: Penerapan TensorFlow lite dan menggunakan layanan

api cuaca serta layanan api tanaman daftar yang telah dimodelkan oleh
anggota komputasi awan. Aplikasi ini memiliki koneksi real-time
menggunakan retrofit.
2. Cloud Computing: Membuat otentikasi login dan registrasi menggunakan
bahasa pemrograman Python bertujuan untuk memberikan landasan yang
kuat bagi aplikasi untuk menyimpan dan mengelola informasi pengguna.
Membuat database tanaman untuk mengelola informasi tentang berbagai
jenis tanaman. Setelah proses pengembangan selesai, langkah selanjutnya
adalah menerapkan otentikasi login dan registrasi, API tanaman database,
dan API cuaca menggunakan Google App Engine. Penerapan di App
Engine memberikan manfaat dalam hal skalabilitas dan performa,
memastikan akses yang cepat dan andal bagi pengguna.

Proses pengerjaan capstone projek dapat dikatakan cukup lancar namun ada
beberapa hambatan yang terjadi yaitu kurang aktifnya 1 anggota dan
keterbatasan keterampilan. Dimana salah satu anggota pasif, sulit dihubungi,
dan tidak mau mengerjakan tugas sehingga terjadi hambatan dalam berdiskusi,
pembagian tugas, serta pengerjaan tugas. Hal tersebut cukup merepotkan tim
karena kurang aktifnya salah satu peserta mengakibatkan tidak maksimalnya
pengerjaan tugas capstone projek. Lalu terjadi kesalahpahaman mengenai
pembagian tugas dan terjadi ketidakmampuan dalam pengembangan beberapa
fitur, sehingga hal tersebut menjadi batu sandungan pengerjaan projek. Namun
untuk mengatasi hal tersebut kami melakukan sesi mentoring dengan advisor
yang disediakan oleh tim Bangkit khusus untuk capstone projek ini. Lalu
sering mengadakan diskusi mingguan tim.

53
 Gambar 3.47 Diskusi Mingguan bersama Tim

Diskusi mingguan benar-benar memberikan kemudahan dalam berbagi ide dan

berkolaborasi antar tim, karena dengan berdiskusi langsung dapat mengurangi
kesalahpahaman antar anggota dan tujuan dari projek terlihat lebih jelas.

Gambar 3.48 Diskusi bersama Advisor

2 bulan menuju akhir kegiatan setiap peserta mengerjakan capstone project secara
berkelompok berdasarkan path learningnya hingga deadline yang ditentukan.

54
Lalu peserta bisa berkonsultasi dengan advisor khusus untuk capstone project
yang telah disediakan oleh tim bangkit dengan batas pertemuan maksimal 3 kali
pertemuan pada gambar II.5.

55
 BAB IV

HASIL DAN PEMBAHASAN

Gambar 4.1 Hasil dari cluster 0

Hasil dari rancangan model dengan probabilitas tertinggi dimiliki oleh jagung
yang berarti keakurasian untuk sampel jagung pada cluster ini lebih tinggi
daripada mangga, lentil hitam, dan kacang panjang. Dan dapat dilihat juga pada
Gambar 3.26 bahwa nilai akurasi yang dimiliki cluster 0 adalah 0.775 dimana
angka tersebut masih belum bisa dikatakan tinggi namun juga tidak terlalu rendah.

56
 Gambar 4.2 Hasil dari cluster 1

Hasil dari rancangan model dengan probabilitas tertinggi dimiliki oleh kelapa
yang berarti keakurasian untuk sampel kelapa pada cluster ini lebih tinggi
daripada semangka, pepaya, melon, kacang hijau, jeruk, delima, apel, dan anggur.
Dan dapat dilihat juga pada Gambar 3.27 bahwa nilai akurasi yang dimiliki cluster
1 adalah 0.755 dimana angka tersebut masih belum bisa dikatakan tinggi, bahkan
lebih rendah dibanding cluster 0. Hal tersebut kemungkinan dapat disebabkan
karena jumlah sampel yang sangat banyak sehingga sulit untuk memiliki akurasi
yang tinggi.

57
 Gambar 4.3 Hasil dari cluster 2

Hasil dari rancangan model dengan probabilitas tertinggi dimiliki oleh kacang
merah yang berarti akurasi untuk sampel kacang merah pada cluster ini lebih
tinggi daripada kacang polong dan buncis. Dan dapat dilihat juga pada Gambar
3.28 bahwa nilai akurasi yang dimiliki cluster 2 adalah 0.933 dimana angka sudah
termasuk tinggi dibanding cluster lain. Hal tersebut dikarenakan jumlah sampel
dari cluster 2 jauh lebih sedikit dibanding cluster 0 dan 1 sehingga memiliki nilai
akurasi yang lebih tinggi.

58
4.1 Hasil Implementasi

Gambar 4.4 Aplikasi Cuaca Tani

Ketika user membuka aplikasinya, maka akan muncul halaman welcome,

Lalu akan ada tombol start agar aplikasi bisa langsung menjuku halaman login.
Jika user belum ada akun di aplikasi ini, maka diharuskan mendaftarkan data
berupa nama, email, dan password ke dalam menu signin. Setelah proses
pendaftaran berhasil, akan diarahkan ke akun login kembali untuk memasukkan
data email dan passowrd nya. Ketika aplikasi sudah membuka ke halaman
beranda (home), akan ada informasi cuaca berdasarkan lokasi terkini pengguna.

59
Bisa juga pengguna mencari manual lokasi di titik tertentu dengan menggunakan
fitur search bar. Di bawah informasi cuaca, ada informasi terkait rekomendasi
tanaman dan jenis tanaman yang bisa ditanam berdasarkan cuaca terkini.
Pengguna bisa. elihat ada tiga kategori tanaman, yaitu tanaman jagung-jagungan,
sayurssyuran, dan buah-buahan.
Setelah diintegrasi, pengguna bisa menentukan lokasi yang diinginkan.
Setelah memilih lokasi maka akan muncul keadaan cuaca, kecepatan angin, suhu,
dan kelembaban dari lokasi tersebut. Lalu dibawahnya akan muncul rekomendasi
tanaman berdasarkan cuaca lokasi.
Bergeser ke menu navigasi list plants. Ketika pengguna ingin mencari
suatu tanaman yang lain tanpa harus memasukkan lokasi terkini, bisa langsung
mencarinya di menu list plants.Di menu ini terdapat semua daftar tanaman, dan
Ketika salah satu diklik maka akan menampilkan detail informasi dari tanaman
tersebut, mulai dari waktu menanamnya, apa saja yang dibutuhkan untuk proses
penanaman, dan tata cara penanaman. Di menu terakhir ada halaman about yang
menampilkan data dari pengguna berupa nama, email, dan foto profilnya.
Halaman ini juga terdapat tombol yang bisa digunakan pengguna untuk keluar
dari aplikasi Cuaca Tani tersebut.

4.2 Dokumentasi Github

Setiap kelompok belajar tentunya sangat penting untuk

mendokumentasikan hasil pekerjaannya agar mencegah terjadinya data hilang,
error, maupun plagiasi yang kerap merugikan anggota kelompok. Oleh karena itu
setiap anggota dalam kelompok kami biasanya langsung mengunggah hasil
pekerjaannya pada platform Github. Selain itu dokumentasi ini nantinya akan
menjadi acuan nilai untuk pengumpulan Capstone projek kepada tim Bangkit.
Pekerjaan yang dilakukan oleh tim Machine Learning, Cloud Computing,
dan Mobile Development dijadikan satu ke dalam repository Github yang sama
untuk memudahkan berbagai pihak dalam mengakses informasi seputar aplikasi
yang kami kembangkan, yaitu “Cuaca Tani” dan bisa diakses secara public di
laman https://github.com/BangkitCuacaTani?tab=repositories

60
 Gambar 4.5 Repository Github untuk aplikasi Cuaca Tani

4.3 Presentasi Projek dan Peer Review

Setelah semua rancangan bisa dioptimalkan dengna baik di aplikasi dan

aplikasi pun berjalan dengan semestinya, maka hal selanjutnya yang dipersiapkan
oleh anggota tim kelompok adalah membuat rangkuman slide untuk di
presentasikan bersama tim lain dalam tema yang sama, yaitu “Food Accessibility,
Agribusiness, and Food Security”

61
 Gambar 4.6 Slide presentasi projek

Lalu setelah proses pembuatan slide untuk presentasi selesai dikerjakan

oleh seluruh anggota tim, maka selanjutnya tinggal latihan untuk persiapan peer
review agar presentasi bisa berjalan maksimal dalam kurun waktu 10 menit.

Gambar 4.7 Dokumentasi presentasi peer review

Peer review adalah sesi presentasi yang dilakukan oleh 10 kelompok

berbeda dalam tema yang sama. Presentasi dilakukan bergilir bergilir dimulai dari
kelompok dengan id terendah. Setelah salah satu kelompok menyelesaikan

62
presentasinya, kelompok lain pun diharuskan sesegera mungkin memberikan
penilaian berdasarkan kekompakan, kekreatifitasan, dan kesesuaian dengan tema
yang diberikan di dalam google form yang telah dipersiapkan oleh tim Bangkit
Academy.

Dalam proses pengerjaan serta pengembangan aplikasi Cuaca Tani

ditemukan beberapa hambatan atau kendala yang dialami oleh para pengembang
aplikasi, seperti sulitnya mendapat informasi data seputar waktu panen dan tata
cara penanaman dari tim Machine Learning. Mengingat batas waktu yang telah
diberikan oleh tim Bangkit juga cukup singkat, maka tim kami pun memutuskan
untuk meniadakan data waktu tanam dan diganti menjadi kategori tanaman saja.
Selain itu penulis sebagai pengembang Android merasa cukup keberatan ketika
mengimplementasikan data dari tim Machine Lerning ke dalam aplikasi langsung
menggunakan metode tenserflow. Karena minimnya pemahaman tentang
penggunaan tenserflow, mengharuskan penulis mempelajarinya mandiri melalui
platform youtube maupun github untuk mendapatkan langkah terbaik dalam
pengimplementasian ke aplikasi.

4.4 Pencapaian

Dalam proses pengerjaan serta pengembangan aplikasi Cuaca Tani

ditemukan beberapa hambatan atau kendala yang dialami oleh para pengembang
aplikasi, seperti sulitnya mendapat informasi data seputar waktu panen dan tata
cara penanaman dari tim Machine Learning. Mengingat batas waktu yang telah
diberikan oleh tim Bangkit juga cukup singkat, maka tim kami pun memutuskan
untuk meniadakan data waktu tanam dan diganti menjadi kategori tanaman saja.
Selain itu penulis sebagai pengembang Android merasa cukup keberatan ketika
mengimplementasikan data dari tim Machine Learning ke dalam aplikasi
langsung menggunakan metode tenserflow. Karena minimnya pemahaman tentang
penggunaan tenserflow, mengharuskan penulis mempelajarinya mandiri melalui
platform youtube maupun github untuk mendapatkan langkah terbaik dalam
pengimplementasian ke aplikasi. Hasil yang diperoleh selama menjalankan
project MBKM di organisasi Bangkit Academy :

63
1. Mampu memodifikasi perangkat lunak sesuai persyaratan spesifikasi dan
fungsionalitas aplikasi..
2. Mampu membuat program python dan menggunakan python untuk
otomatisasi tugas administrasi secara umum.
3. Mampu melakukan pembersihan data, pemecahan masalah, cara berpikir
kritis, etika data, dan visualisasi data.
4. Mampu menerapkan pemahaman machine learning dan membuat model
machine learning pada capstone/proyek tim.
5. Peningkatan terhadap kemampuan berbahasa Inggris melalui sesi kelas bahasa
Inggris oleh native mentor.
6. Peningkatan terhadap kemampuan softskills yang berdampak juga pada gaya
hidup menjadi lebih teratur dan seimbang serta kedisiplinan terhadap diri
sendiri.
7. Berkesempatan melakukan sertifikasi TensorFlow Developer Certification
tingkat global.
8. Mampu menyelesaikan project tim untuk memenuhi tugas capstone project

64
 BAB V

PENUTUP

5.1 Kesimpulan

Dalam menutup laporan PKL ini saya ingin menyampaikan rasa syukur
karena telah diberikan peluang untuk berkontribusi dalam projek Aplikasi Cuaca
Tani ini. Kesimpulan yang dapat diambil aplikasi Cuaca Tani ini masih bisa
dikatakan belum optimal. Hal ini disebabkan tingkat akurasi dari model ini masih
dibilang kurang tinggi karena untuk cluster 0 dan 1 memiliki akurasi dibawah
angka 0.85. Jadi hanya cluster 2 yang memiliki akurasi tinggi yaitu 0.933. Namun
rendahnya nilai akurasi dapat disebabkan oleh beberapa hal seperti
ketidakseimbangan sampel, terlalu banyak jumlah sampel, dan kesalahan memilih
model.

5.2 Saran

Adapun saran mengenai proses pelaksanaan PKL di PT. Dicoding

Teknologi Indonesia, yaitu:

1. Melakukan pemilihan model dan algoritma yang tepat agar nilai akurasi
bisa lebih tinggi.
2. Menambahkan durasi pengerjaan projek akhir agar aplikasi yang dibuat
dapat sesuai dengan rencana awal.
3. Diharapkan agar fitur dalam aplikasi ini dapat lebih dikembangkan lagi
dengan menambahkan fitur seperti pengelompokkan tanaman, detail
tanaman, dan target tanaman.
4. Diharapkan agar tim bangkit dapat membagikan anggota tim / kelompok
projek berdasarkan peran secara merata.

65
 DAFTAR PUSTAKA

[1] Sari, E. F., & Ekohariadi. (2021). Penerapan GitHub sebagai Media
E-Learning untuk Mengetahui Keefektifan Kolaborasi Project pada Mata
Pelajaran Pemrograman Web dan Perangkat Bergerak di SMK Negeri 2
Surabaya. Jurnal IT-EDU, 6(2), 14-22.

[2] Wiranda, N., Purba, H. S., & Sukmawati, R. A. (2020). Survei Penggunaan
Tensorflow pada Machine Learning untuk Identifikasi Ikan Kawasan Lahan
Basah. Indonesian Journal of Electronics and Instrumentation Systems
(IJEIS), 10(2), 179-188.

[3] D.N., Varshitha, & Choudhary, Savita. (2022). An artificial intelligence

solution for crop recommendation. Indonesian Journal of Electrical
Engineering and Computer Science, 25(3), 1688-1695.

[4] Dhuhita, W. M. P. (2015). Clustering menggunakan metode K-Means

untuk menentukan status gizi balita. Jurnal Informatika, 15(2), Desember.

66