Oleh :
AVI OKTAVIANI
NPM 21081010227
Menyatakan bahwa kegiatan PKL yang saya lakukan memang benar-benar telah
kami lakukan di Perusahaan/instansi
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
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
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
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.
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
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
xiv
BAB I
PENDAHULUAN
1
efisiensi, dan secara keseluruhan memajukan sektor pertanian ke arah yang lebih
berkelanjutan dan adaptif terhadap perubahan kondisi lingkungan.
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.
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.
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.
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
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.
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
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:
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.
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
13
2.3 Lokasi Instansi
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
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
Waktu Kegiatan
16
Tabel 3.1 Linimasi Kegiatan
1. Pembelajaran Mandiri
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
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
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
20
Gambar 3.5 Live Youtube Student Team Meeting
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
22
sesi mentor akan memberikan link form yang berisi penilaian kinerja dari
anggota kelompok sendiri
3.2 Pelaksanaan
23
a. Android Studio Code
24
c. Java Development Kit (JDK)
d. Postman
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
26
Gambar 3.12 Logo Colab
g. Python
27
Gambar 3.13 Logo Python
1. Sklearn
2. Numpy
28
Gambar 3.15 Logo NumPy
3. Matplotlib
29
digunakan bersamaan dengan pustaka-pustaka lain seperti NumPy,
Pandas, dan Seaborn untuk analisis dan visualisasi data yang lebih
lanjut.
h. TensorFlow
30
i. 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
32
3.2.2 Pelaksanaan PKL
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
1. Planning
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
4. Testing
36
Karena dataset yang dibutuhkan hanya bagian suhu, kelembapan, dan label
maka dilakukan pembersihan yang tidak diperlukan.
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
Dilakukan proses pembersihan dataset karena untuk data yang digunakan hanya
temperatur, kelembaban, dan label tanaman.
38
Gambar 3.27 Menampilkan grafik 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.
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
41
Gambar 3.31 Jumlah sampel yang seimbang
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
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
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.
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
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
50
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.
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 :
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
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 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
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.
60
Gambar 4.5 Repository Github untuk aplikasi Cuaca Tani
61
Gambar 4.6 Slide presentasi projek
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.
4.4 Pencapaian
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
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.
66