Ahmad Yudiman Fauzi

LAPORAN AKHIR
MAGANG & STUDI INDEPENDEN BERSERTIFIKAT
Startup Campus - Program Artificial Intelligence

Computer Vision
Studi Independen
Di Yayasan Bakti Achmad Zaky
Ahmad Yudiman Fauzi

24012121047
FAKULTAS ILMU SOSIAL DAN ILMU POLITIK

UNIVERSITAS GARUT
TAHUN 2023
Kata Pengantar
Puji syukur saya panjatkan kehadirat Tuhan Yang Maha Esa yang telah
melimpahkan rahmat dan hidayah-Nya, sehingga saya dapat menyelesaikan
program Studi Independen Bersertifikat Kampus Merdeka - Startup Campus
Program Artificial Intelligence Computer Vision dengan baik. Perjalanan dalam
mengikuti program ini hingga selesai tidak terlepas dari berbagai pihak yang
memberi kontribusi dari segi moril maupun materiil. Oleh sebab itu, saya ucapkan
terima kasih kepada:
1. Kampus Merdeka yang memberikan kesempatan untuk belajar dengan para

praktisi melalui programnya.
2. Yayasan Bakti Achmad Zaky beserta jajarannya yang telah sukses

menyelenggarakan program Startup Campus sebagai wadah aktualisasi diri
para mahasiswa yang tertarik mengenai dunia digital.
3. Universitas Garut yang telah mengizinkan saya untuk mengikuti program

pengembangan skills ini.
4. Subject Matter Expert, Mentor, dan Fasilitator yang telah membersamai

saya selama berproses dalam meningkatkan pengetahuan, keterampilan, dan
nilai dalam diri melalui program ini.
5. Tim Startup Campus Artificial Intelligence dan teman-teman satu angkatan

yang terus mendukung selama proses pembelajaran berlangsung.
Dengan selesainya Studi Independen Bersertifikat ini, saya berharap dapat

mengembangkan kemampuan saya sehingga benar-benar menjadi “talenta digital
- Artificial Intelligence,” yang berkualitas di masa mendatang.
Daftar Isi
Kata Pengantar
Daftar Isi
Bab I Gambaran Umum .................................................................................... 1
I.1 Profil Perusahaan ...................................................................................... 1
I.2 Deskripsi Kegiatan .................................................................................... 2
Bab II Aktivitas Mingguan .............................................................................. 29
Bab III Penutup ............................................................................................... 30
III.1 Kesimpulan .......................................................................................... 30
III.2 Saran .................................................................................................... 30
Referensi
Lampiran
DAFTAR GAMBAR
Gambar1
Gambar2
Gambar3
Gambar4
Gambar5
Gambar
Bab I Gambaran Umum
I.1 Profil Perusahaan

Yayasan Bakti Achmad Zaky adalah lembaga nonprofit yang mendukung
kegiatan sosial dan pendidikan dalam bentuk pendidikan sains dan teknologi,
pengembangan kewirausahaan, investasi sosial, serta penelitian terobosan.
Lembaga nonprofit ini didirikan oleh founder dari Bukalapak sejak tahun 2020,
yakni Achmad Zaky, sebagai lembaga yang nantinya membantu sebagai pengatur
investasi. Studi Independen di Yayasan Bakti Achmad Zaky diusung dalam bentuk
program Startup Campus.
Startup Campus adalah program pelatihan intensif untuk mengembangkan

keterampilan digital yang dibutuhkan dengan didukung oleh bimbingan intensif dan
proyek nyata. Startup Campus membangun jaringan ahli yang kuat yang terdiri dari
praktisi dan akademisi untuk memberi pemahaman mendalam tentang tren industri
dan praktik terbaik.
Bagan alur koordinasi dan struktur organisasi dalam pelaksanaan program

Startup Campus adalah sebagai berikut.
Gambar I.1 Struktur Organisasi Startup Campus - Yayasan Bakti Achmad Zaky
1
Setiap unsur dalam struktur organisasi ini bersifat independen dan bergerak
sesuai dengan tugas masing-masing secara beriringan. Startup Campus memilih
fasilitator terbaik dan berpengalaman agar para peserta bisa mendapatkan
bimbingan selama masa training. Adapun daftar fasilitator Program Artificial
Intelligence Computer Vision:
1. Ni Luh Nitya Laksmi
Kegiatan mentoring Startup Campus diisi oleh para mentor terbaik dan
berpengalaman agar para peserta bisa mendapatkan bimbingan dan saran terbaik
dalam mempersiapkan diri menjadi the future Artificial Intelligence Engineer.
Adapun daftar mentor yang terlibat pada proses pembelajaran di Startup Campus -
Program Artificial Intelligence Computer Vision:
1. Aries Fitriawan - Data Science Business Solution at PT. Indosat Tbk

2. M. Haswin Anugrah Pratama - Junior Manager - Digital Banking
Development & Operation Division at PT Bank Rakyat Indonesia (Persero)
Tbk
3. Nicholas Dominic - Senior Data Scientist at REDComm Indonesia
4. Putu Rika Sahriana - Data Analyst at Tech in Asia
I.2 Deskripsi Kegiatan

I.2.1 Posisi
Peserta Startup Campus Batch 5 - Program Artificial
Intelligence Computer Vision
I.2.2 Deskripsi
Startup Campus Batch 5 - Program Artificial Intelligence
Computer Vision merupakan Studi Independen Bersertifikat yang
diselenggarakan oleh Yayasan Bakti Achmad Zaky dan didukung
penuh oleh Kemdikbud Ristekdikti dibawah naungan inisiatif
KAMPUS MERDEKA. Batch 5 akan diselenggarakan dari Agustus
hingga Desember 2023. Program ini dirancang sepenuhnya secara
2
daring untuk mempersiapkan talenta digital - Artificial Intelligence
yang mampu bersaing di era digital.
Ruang lingkup program meliputi:
● Pembekalan materi pelatihan secara daring;

● Pendampingan dengan mentor dan fasilitator;
● Networking dengan berbagai partner dalam dunia digital;
● Collaborating dalam menyelesaikan project bersama peserta
lain untuk mendapatkan real-life experience.
Fasilitas yang akan diberikan kepada tim peserta meliputi:
● Kurikulum pembelajaran dirancang oleh pengajar terbaik dalam

ekosistem digital;
● Konversi kredit 20 SKS;
● Mentorship intensif dengan mentor dari ekosistem digital;
● Networking dengan pemain penting dalam ekosistem digital;
● Sertifikat Kompetensi Digital (Artificial Intelligence);
● Buku dan referensi belajar terbaik; dan
● Pengalaman berkolaborasi dalam menyelesaikan project
bersama.
Tim terpilih akan mendapatkan kurikulum pembelajaran

selama program, dengan capaian pembelajaran yang akan
dikonversikan ke dalam SKS kurikulum masing-masing kampus asal
mahasiswa. Untuk bisa menjalankan program dengan baik, tim
peserta akan mendapatkan pembekalan materi dan pendampingan
intensif oleh mentor profesional selama program berlangsung.
I.2.3 Tujuan
3
Peserta diharapkan memiliki kompetensi sebagai talenta
digital (Artificial Intelligence), yang mampu berkolaborasi dan
mengerjakan real project sehingga siap berkontribusi dan berkarier di
industri digital. Secara lebih rinci, setelah menyelesaikan studi
independen, peserta diharapkan mampu:
● Memahami dasar Artificial Intelligence (AI).
● Menyelesaikan permasalahan menggunakan pemrograman
Python.
● Menguasai dan menerapkan pemahaman dasar Data Science.
● Menyelesaikan permasalahan menggunakan Machine Learning
& Deep Learning.
● Menyelesaikan permasalahan berkaitan dengan Computer
Vision.
● Memahami dan menerapkan konsep serta model Natural
Language Processing dalam menyelesaikan permasalahan.
● Menguasai pemahaman dasar Artificial Intelligence Life Cycle
dan berkolaborasi di Git.
● Membuat produk Artificial Intelligence.
I.2.4 Lingkup Pembelajaran & Proyek

Selama menjalani program ini, peserta menyelesaikan
beberapa tugas berdasarkan materi-materi yang diberikan melalui
Learning Management System (LMS). Tugas ini terdiri dari tugas
individu dan tugas tim. Lingkup pembelajaran dan proyek meliputi:
● AI Foundation: Introduction to Artificial Intelligence, AI Ethics,
AI Domains, AI in Industries
● Python Foundation: Introduction to Python, Basic Python,
Python Programming
● Data Science: Data Science Introduction, Data Preprocessing,
Data Analysis, Data Visualization, Data Storytelling, Data
Modeling
4
● Machine Learning and Deep Learning: Introduction to Big
Data, Machine Learning, Model Evaluation, Supervised
Learning, Unsupervised Learning, Reinforcement Learning,
Neural Network, Deep Learning
● Computer Vision: Computer Vision Overview, Image
Processing, 3D Computer Vision, Introduction to Neural
Network Computer Vision, Neural Network Computer Vision
Architecture
● Git Collaboration & AI Life Cycle: Introduction to Git &
GitHub, Git & GitHub Collaboration, AI Cycle Project
● Final Project & Showcase
● Enrichment Material Natural Language Processing:
Introduction to Natural Language Processing, Natural
Language Processing Application, Introduction to Large
Language Model: Transformer
I.2.5 Alur Program

Alur program secara umum dijalankan melalui beberapa acuan di
bawah ini.
1. Kompetensi Inti
Terdapat beberapa kompetensi inti yang ingin dicapai dan

dikembangkan mencakup:
a. Problem-Solving: Kemampuan berpikir kritis dan terstruktur

dalam memahami situasi/permasalahan, menganalisis,
mengidentifikasi sumber penyebab masalah dan hubungan antar
faktor, merumuskan rencana tindakan dan alternatif solusi yang
relevan dan applicable serta mengkomunikasikan alternatif
solusi terhadap pihak terkait.
b. Grit: Kemampuan untuk disiplin dan tekun serta mampu

memotivasi diri untuk mencapai tujuan jangka panjang,
5
menjalankan inisiatif perbaikan mutu kerja tanpa harus
diinstruksikan dan bersikap proaktif serta memiliki self
motivation yang tinggi dalam menuntaskan pekerjaan serta
mampu mengajukan usulan untuk perbaikan.
c. Creativity: Kemampuan untuk mengembangkan, menciptakan

dan berkreasi untuk menghasilkan ide, produk dan cara-cara
baru yang meningkatkan produktivitas.
d. Communication: Kemampuan untuk menerjemahkan ide,

pesan, pendapat/gagasan secara tertulis maupun verbal dalam
bahasa yang sistematis, jelas, dan mudah dipahami sehingga
memiliki daya pengaruh terhadap orang lain. Mampu menerima
dan merespon pembicaraan dari pihak lain dengan baik,
termasuk kepada jumlah audiens yang lebih besar.
2. Proses Induksi
a. Pengenalan program, alur program, hasil yang diharapkan, serta

skema penilaian bagi peserta.
b. Pengenalan terhadap mentor profesional yang akan

mendampingi para peserta selama program berjalan.
3. Sistem Pembelajaran
Sistem pembelajaran di Program Artificial Intelligence Computer

Vision terdiri atas:
a. Pembelajaran asinkronus: Peserta wajib mempersiapkan

pembelajaran mandiri dengan memproses seluruh materi yang
diberikan melalui video, bahan bacaan, tugas, serta referensi
6
lainnya sebelum pembelajaran sinkronus. Materi dapat diakses
melalui Learning Management System (LMS).
b. Pembelajaran sinkronus: Peserta akan mengikuti

pembelajaran aktif melalui kelas sinkronous dengan para expert
di bidangnya berbentuk seminar, diskusi, dan lain sebagainya.
Selain itu, peserta akan mengerjakan project kolaborasi dengan
peserta lain untuk memecahkan suatu masalah pada 2 bulan
terakhir dengan didampingi para mentor.
4. Sistem Penilaian
Proses penilaian mahasiswa dilaksanakan oleh seluruh pihak termasuk

mentor, dan sesama peserta (peer to peer evaluation). Penilaian
mahasiswa dilakukan melalui beberapa metode:
a. Tugas Individu (Belajar Mandiri & Kuis)
Peserta diberikan referensi belajar melalui buku, artikel, case

study, video, dan sebagainya. Beberapa buku yang akan menjadi
referensi utama selama studi independen adalah Artificial
Intelligence A Modern Approach; Computer Vision: Algorithms
and Applications, 2nd ed.; The Quest for Artificial Intelligence;
Artificial Intelligence; dan Python Code for Artificial
Intelligence. Sebelum mengikuti kelas sinkronus, peserta wajib
menyelesaikan belajar secara mandiri.
b. Keaktifan selama Proses Pembelajaran
Pembelajaran sinkronus adalah sesi interaktif berdurasi 2-3 jam

dengan expert speaker yang merupakan ahli atau praktisi bidang
Artificial Intelligence. Pada sesi ini, peserta akan melakukan
diskusi, problem solving, simulasi, presentasi, serta aktivitas
lainnya yang mendorong peserta aktif selama sesi tersebut.
7
Selama proses live session, para expert akan melihat keaktifan
dan pemahaman materi mahasiswa.
c. Mentorship
Selama program, tiap tim akan mendapatkan mentorship dari

mentor penanggung jawab dan fasilitator. Mentor penanggung
jawab akan berdedikasi penuh dalam pengembangan dari sisi
akademis dan praktikal peserta dari awal hingga akhir program.
Fasilitator adalah pembimbing yang bertanggung jawab untuk
memastikan peserta mengikuti pembelajaran dengan maksimal.
Peran fasilitator termasuk membantu peserta merancang jadwal
belajar mingguan, mengingatkan tugas dan proyek yang harus
dikerjakan, mengingatkan jadwal kelas, dan kegiatan lainnya.
d. Proyek Tim (Final Project)
Peserta akan mengerjakan berbagai proyek tim yang bertujuan

untuk mengasah kemampuan softskill maupun hardskill. Peserta
akan mengerjakan proyek akhir dengan kompetensi Artificial
Intelligence, terutama computer vision dan berkolaborasi
dengan peserta studi independen lainnya. Proyek tim ini
diharapkan akan memberikan kondisi real di industri. Peserta
dibebaskan untuk menginisiasi proyek yang ingin dikerjakan.
Proyek harus memiliki nilai bisnis.
e. Showcase
Masing-masing tim akan mempresentasikan proyek final tim

yang telah disusun di depan para juri. Tim terbaik akan dipilih
untuk mendapatkan sertifikat dan hadiah sebagai bentuk
apresiasi.
5. Pembelajaran Sesuai Kurikulum
8
Peserta mendapatkan kurikulum pembelajaran selama program,
dengan capaian pembelajaran yang akan dikonversikan ke dalam SKS
kurikulum masing-masing kampus asal mahasiswa. Tiap peserta juga
akan mendapatkan pendampingan intensif dari para mentor
profesional selama program berlangsung.
Berikut adalah kurikulum Program Artificial Intelligence Computer

Vision.
a. Artificial Intelligence Foundation
Targeted Skill Level

Mahasiswa mampu memahami konsep, terminologi, dan
domain utama Artificial Intelligence (AI); menentukan aplikasi
AI yang menarik; menganalisis dan mengevaluasi inovasi dan
masa depan AI di berbagai industri; serta menerapkan AI sesuai
etika dengan bertanggungjawab.
Learning Details
Pada chapter ini, peserta akan:
1. mempelajari terminologi berhubungan dengan Artificial
Intelligence (AI), bagaimana cara kerja AI, tipe-tipe AI,
evolusi dan ruang lingkup AI;
2. mempelajari isu-isu etika terkait AI dan dampaknya pada
masyarakat luas;
3. menganalisis kegunaan dan pemodelan pada domain
utama AI (Data Science, Computer Vision, dan Natural
Language Processing); serta
4. menganalisis dan mengevaluasi penerapan dan inovasi AI
pada berbagai bidang untuk menyelesaikan permasalahan
di dunia nyata.
9
Chapter ini dilengkapi dengan pembelajaran asinkronus melalui
modul, exercise, dan referensi pembelajaran lain di Learning
Management System. Pembelajaran sinkronus dilakukan
melalui pemaparan materi, diskusi, dan tanya jawab pada sesi
kelas (live session) dan mentorship. Proses pembelajaran
diperkaya dengan assignment untuk mengasah kemampuan
analisis dan evaluasi mengenai potensi Artificial Intelligence di
masa yang akan datang.
Learning Duration
45 hours
Learning Resources
Buku bacaan, modul presentasi dari Startup Campus, rekaman
video pembelajaran dari ahli, live session, video dari Youtube
Startup Campus, dan referensi lainnya yang dapat diakses
melalui Learning Management System.
Assessment Method
Tugas individu dan/atau kelompok, keaktifan, kuis
b. Python Foundation
Mahasiswa mampu mengimplementasikan aturan mengenai
variabel, tipe data, sintaks, conditional statement, looping,
functional programming, dan library & package pada Python
dalam membuat kode program untuk menyelesaikan
permasalahan.
Learning Details
1. mempelajari dan mempraktikkan pengenalan bahasa
pemrograman Python, termasuk bagaimana cara
menginstal, Python Integrated Development Environment
10
(IDE), dan menganalisis berbagai aplikasi bahasa
pemrograman Python;
2. mempelajari dasar-dasar bahasa pemrograman Python, di
antaranya terminologi, library dan packages, sintaks,
statements and comments, indentasi, variabel, tipe data,
dan kondisi dalam Python;
3. mempelajari inputs/outputs, loop, flowchart, functional
programming, global & local variable, array, dan library
Numpy & Pandas; serta
4. mempraktikkan dasar-dasar pemrograman Python dalam
membuat kode program untuk menyelesaikan
permasalahan.
Pembelajaran asinkronus di chapter ini dilakukan dengan

belajar mandiri melalui modul, exercise, video pembelajaran,
dan referensi pembelajaran lain di Learning Management
System. Pembelajaran sinkronus dilakukan melalui pemaparan
materi, diskusi, sesi praktik, dan tanya jawab pada sesi kelas
(live session) dan mentorship. Sesi praktik dilakukan melalui
berbagai Python Integrated Development Environment di
antaranya Google Colaboratory dan Jupyter Notebook. Proses
pembelajaran diperkaya dengan assignment untuk mengasah
pemahaman dan kemampuan membuat kode program untuk
menyelesaikan masalah.
Learning Duration
90 hours
Learning Resources
11
Assessment Method
c. Data Science
Mahasiswa mampu memahami metodologi dan cakupan data
science dan membuat model data science untuk menyelesaikan
permasalahan dengan melakukan data preprocessing, analysis,
visualization, storytelling, hingga modeling.
Learning Details
Pada chapter ini, peserta akan
1. mempelajari terminologi, cakupan, dan metodologi
berkaitan dengan Data Science dan karier yang berkaitan
dengan data;
2. mempelajari dan mempraktikkan data preprocessing, di
antaranya cleaning, normalization & standardization;
feature encoder; dan imbalance data;
3. mempelajari dan mempraktikkan data preprocessing, di
antaranya sorting, filtering, grouping, dan merging
dataframe menggunakan library Pandas;
4. mempelajari dan melakukan analisis data eksplorasi &
visualisasi;
5. mempelajari business intelligence dan mempraktikkan
data storytelling;
6. mempelajari dan melakukan feature extraction, feature
selection, dan task terkait data modeling; serta
7. membuat model berdasarkan data untuk menyelesaikan
permasalahan.
12
modul, exercise, video pembelajaran, dan referensi
pembelajaran lain di Learning Management System.
Pembelajaran sinkronus dilakukan melalui pemaparan materi,
diskusi, sesi praktik menggunakan Python, dan tanya jawab
pada sesi kelas (live session) dan mentorship. Untuk mengukur
kemampuan teknikal, diberikan mini project untuk membuat
data visualization, data modeling, dan KPI Metric
Comparison/Explanation.
Learning Duration
90 hours
Learning Resources
Assessment Method
d. Machine Learning & Deep Learning

Mahasiswa mampu memahami dan mempraktikkan konsep big
data, machine learning, supervised learning, unsupervised
learning, reinforcement learning, neural network, deep
learning, dan evaluasi model serta menerapkannya dalam
membuat model untuk menyelesaikan permasalahan.
Learning Details
1. mempelajari terminologi terkait big data, aspek dalam big
data, serta arsitektur dan implementasi big data;
2. mempelajari konsep dan macam-macam machine
13
learning;
3. mempelajari konsep model evaluation dan menghitung
metrik evaluasi untuk classification, regression, dan
clustering;
4. mempelajari dan mempraktikkan algoritma dan
pemodelan supervised learning, yaitu klasifikasi dan
regresi;
pemodelan unsupervised learning, yaitu clustering,
association, dan dimensionality reduction;
pemodelan reinforcement learning;
7. mempelajari dan mempraktikkan algoritma dan model
neural network termasuk di dalamnya multilayer
perceptron, activation function, loss function, cost
function, gradient descent, dan optimizer;
8. mempelajari dan mempraktikkan algoritma dan model
deep learning termasuk di dalamnya backpropagation,
monitoring training process, deep learning framework
(pytorch, tensorflow, keras), deep neural network,
recurrent neural network, dan autoencoder; serta
9. membuat model machine learning dan deep learning
untuk menyelesaikan permasalahan.

modul, exercise, video pembelajaran, dan referensi
pembelajaran lain di Learning Management System.
Pembelajaran sinkronus dilakukan melalui pemaparan materi,
diskusi, sesi praktik menggunakan Python, dan tanya jawab
pada sesi kelas (live session) dan mentorship. Chapter ini juga
diperkaya dengan mini project untuk membuat dan
14
menganalisis model supervised learning, unsupervised
learning, neural network, dan deep learning.
Learning Duration
180 hours
Learning Resources
Assessment Method
e. Computer Vision
Mahasiswa mampu membuat dan memodifikasi model untuk
menyelesaikan masalah dengan menggunakan pendekatan
image processing, 3D computer vision, dan neural network
computer vision.
Learning Details
1. mempelajari terminologi dan konsep dalam computer
vision termasuk di dalamnya gambar analog dan digital,
ruang lingkup computer vision, dan bagaimana
algoritmanya;
2. mempelajari dan mempraktikkan image processing
termasuk di dalamnya image read, recolor, resize, rotate,
thresholding, blurring, smoothing, channel conversion,
image enhancement, image restoration dan image
transformation serta konsep object detection termasuk di
dalamnya template matching, corner detection, edge
15
detection, grid detection, contour detection, feature
matching, watershed algorithm, dan face detection;
3. mempelajari dan menerapkan pendekatan 3D computer
vision termasuk di dalamnya penjelasan multi view
geometry, camera intrinsics, camera extrinsics, camera
matrix, dan penerapan 3D computer vision; serta
4. mempelajari, menerapkan, dan membuat model neural
network computer vision termasuk di dalamnya linear
classifier, convolutional neural network, pooling,
architecture, computer vision deep learning framework,
Generative Adversarial Network (GAN), Deep
Convolutional Generative Adversarial Network
(DCGAN), dan You Only Look Once (YOLO).
Pembelajaran asinkronus pada chapter ini dilakukan dengan

materi, diskusi, sesi praktik menggunakan Python, dan tanya
jawab pada sesi kelas (live session) dan mentorship. Untuk
mengukur kemampuan teknikal, diberikan mini project untuk
melakukan image processing, object detection, dan transfer
learning menggunakan Deep Learning-based Computer Vision
modeling.
Learning Duration
180 hours
Learning Resources
16
Assessment Method
f. Git Collaboration & Artificial Intelligence Life Cycle

Mahasiswa mampu membuat repository, portofolio, dan
berkolaborasi kode menggunakan Git/GitHub serta menerapkan
AI life cycle dalam membuat produk Artificial Intelligence (AI).
Learning Details
1. mempelajari, menjelaskan, dan mendemonstrasikan
kembali cara membuat akun Git/GitHub dan manfaat
menggunakannya;
2. membuat repository dan portofolio di Git/GitHub;
3. berkolaborasi aktif di Git/GitHub; dan
4. mempelajari dan mempraktikkan AI life cycle dalam
membuat dan mengembangkan produk Artificial
Intelligence (AI).

materi, diskusi, sesi praktik di Git/GitHub, dan tanya jawab pada
sesi kelas (live session) dan mentorship. Pada chapter ini,
peserta diberikan assignment untuk membuat repository,
portofolio, dan berkolaborasi kode di Git/GitHub dan
menerapkan AI Life Cycle.
17
Learning Duration
45 hours
Learning Resources
Assessment Method
g. Final Project & Showcase

Mahasiswa mampu membuat produk Artificial Intelligence
yang memiliki nilai bisnis untuk menyelesaikan permasalahan
di dunia nyata dan aktif bekerja sama dalam tim.
Learning Details
Pada tahap ini, peserta akan berkolaborasi bersama dalam tim
beranggotakan 5-7 orang untuk membuat produk Artificial
Intelligence yang memiliki nilai bisnis untuk menyelesaikan
permasalahan di dunia nyata. Peserta bebas berkreasi dalam
membuat produk dengan pendekatan-pendekatan yang telah
diajarkan di kelas. Peserta juga akan berkolaborasi dengan
peserta lain untuk mendapatkan lingkungan yang “nyata” di
dunia kerja.
Selama proses pengerjaan final project, peserta akan tetap
didampingi oleh expert dan mentor. Pengerjaan final project ini
akan dilombakan. Di akhir program, setiap tim akan
mempresentasikan produknya di depan para expert dan peserta
lainnya.
Learning Duration
18
272 hours
Learning Resources
Assessment Method
Tugas kelompok, keaktifan
h. Enrichment Natural Language Processing

Mahasiswa mampu memahami dan menerapkan konsep dan
model natural language processing dalam menyelesaikan
permasalahan.
Learning Details
1. mempelajari dan mempraktikkan konsep, terminologi,
dan berbagai library natural language processing
termasuk di dalamnya spacy, tokenization, stemming,
lemmatization, stop words, phrase matching, POS
tagging, named entity recognition, dan sentence
segmentation;
2. mempelajari dan mempraktikkan model natural language
processing termasuk di dalamnya text classification,
sentiment analysis, topic modeling, naive bayes theorem,
recurrent neural network, dan long short term memory;
serta
3. mempelajari large language model atau transformer
model di antaranya model encoder (BERT), model
decoder (GPT), dan model encoder-decoder: sequence-
19
to-sequence (BART).

System.
Learning Resources
Assessment Method
I.2.6 Jadwal Program
Waktu Rencana Pembelajaran Metode
Minggu Onboarding sesi sinkron melalui zoom

1 Initial Assessment sesi sinkron melalui zoom
Live Session 1: AI Foundation sesi sinkron melalui zoom
Live Session 2.1: Introduction &
sesi sinkron melalui zoom
Basic Python
Mempelajari Modul AI Foundation self learning
Minggu Mempelajari Modul Python

2 self learning
Foundation
Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
Tugas Individu 1 tugas melalui google classroom
20
Live Session 2.2: Python
Programming
Live Session 3.1: Data Science
Introduction, Data Preprocessing & sesi sinkron melalui zoom
Data Visualization
Mempelajari Modul Python

Minggu Foundation self learning
3
Mempelajari Modul Data Science self learning

Live Session 3.2: Data Storytelling
& Data Modelling
Live Session 4.1: Introduction to
Big Data & Machine Learning
Mempelajari Modul Data Science self learning

Minggu
4 Mempelajari Modul Machine
self learning
Learning & Deep Learning

Live Session 4.2: Supervised
Learning
Live Session 4.3: Unsupervised
Minggu Learning
5
Mempelajari Modul Machine
self learning
Learning & Deep Learning
21

Live Session 4.4: Reinforcement
Learning
Live Session 4.5: Deep Learning sesi sinkron melalui zoom
Mempelajari Modul Machine

Minggu Learning & Deep Learning self learning
6

Computer Vision & Image sesi sinkron melalui zoom
Processing
Live Session 5.2: 3D Computer
Vision
Minggu Mempelajari Modul Computer

7 self learning
Vision

Neural Network Computer Vision
Live Session 5.4: Neural Network
Computer Vision Architecture
Minggu
8 Mempelajari Modul Computer
self learning
Vision
Final Project Kick Off sesi sinkron melalui zoom
22

Live Session 6: Git Collaboration sesi sinkron melalui zoom
Mempelajari Modul Git
self learning
Collaboration
Minggu Pengerjaan Final Project Minggu 1

9

Pengerjaan Final project Minggu 2
hingga 8
Minggu
10-16 Mentoring kesepakatan dengan mentor

presentasi hasil final project &
Selection to Showcase
Minggu kompetisi antar tim
17 presentasi hasil final project &
Showcase
kompetisi antar tim
Minggu Graduation
18-20 Penyusunan Laporan Akhir
I.2.7 Final Project

1. Latar Belakang Final Project
Teknologi artificial intelligence mengalami perkembangan
yang pesat. Banyak permasalahan di dunia industri dan pemerintahan
yang saat ini membutuhkan solusi dengan penerapan teknologi
artificial intelligence. Sebagai calon talenta digital, peserta Program
Artificial Intelligence Computer Vision diharapkan mampu
berinovasi dalam bentuk sebuah final project untuk penyelesaian
23
permasalahan di dunia nyata dengan penerapan artificial intelligence
utamanya computer vision.
Final Project Program Artificial Intelligence Startup Campus

Batch 5 adalah proyek akhir yang dirancang oleh subject matter expert
Program Artificial Intelligence Computer Vision yaitu Dr. Nolang
Fanani dan para mentor. Peserta diminta untuk membuat proyek akhir
dengan nilai bisnis sesuai dengan topik dan bidang yang dipilih.
Pengerjaan final project berlangsung selama kurang lebih 2 bulan dan
dikerjakan dalam tim beranggotakan 6-7 orang.
Topik final project yang dapat dipilih oleh peserta Program

Artificial Intelligence Computer Vision adalah sebagai berikut.
● Binary Classification, yaitu konsep klasifikasi citra untuk 2

kelas objek.
● Multiclass Classification, yaitu konsep klasifikasi citra dengan
lebih dari 2 kelas objek.
● Object Detection, yaitu teknik komputasi citra untuk
mengidentifikasi/menemukan objek dalam gambar atau video.
● Image Retrieval, yaitu teknik komputasi citra untuk
menemukan suatu citra dari suatu kumpulan atau database
berdasarkan ciri-ciri kesamaan visual.
● Optical Character Recognition (OCR), yaitu teknik komputasi
citra untuk pengenalan objek tulisan.
● Generative Adversarial Network (GAN), yaitu teknik
unsupervised yang melibatkan penemuan pola dalam citra
sedemikian rupa sehingga model dapat digunakan untuk
menghasilkan citra yang baru.
Peserta dapat menyelesaikan permasalahan nyata dari

berbagai bidang, di antaranya adalah politik, ekonomi, sosial, seni dan
budaya, kesehatan, pendidikan, hingga pertahanan dan keamanan.
24
Setelah waktu pengerjaan final project selesai, hasil final
project akan dilombakan dalam Selection to Showcase untuk mencari
4 tim terbaik yang akan maju ke babak Showcase dan berkesempatan
memenangkan hadiah dari Startup Campus.
2. Proses Pengerjaan Final Project

Berikut adalah uraian proses pengerjaan final project.
a. Pembentukan Tim
Pembentukan tim final project diawali dengan pengisian
formulir mengenai topik dan bidang yang diminati. Tim final project
dibagi berdasarkan kesamaan prioritas topik dan bidang final project
yang diminati, latar belakang universitas dan program studi, keaktifan,
level teknikal dan softskill peserta, dan asal kompi peserta.
Tim final project EternalLumenAI terdiri atas:
● Ahmad Yudiman Fauzi dari Univesitas Garut

● Vindi Sovia Anggita dari Politeknik Negeri Malang
● Maharani Ria Sina dari Universitas Sebelas Maret
● Kinanthi Putri Sawilopo dari Universitas Amikom Purwokerto
● Aditia Taqi Pratama dari Universitas Negeri Jakarta
● Ardis Hibatul Hakim dari Universitas Gunadarma
Sebelum memulai pengerjaan final project, telah dilaksanakan

proses bonding dengan exercise “Get to Know Your Teammates”,
menyepakati nama tim, ketua tim, logo tim, pembagian tugas, dan
peraturan tim.
b. Penentuan Topik & Judul Final Project

Setelah pembentukan tim, dilaksanakan penentuan topik dan
judul final project. Topik dan judul harus didasarkan pada
permasalahan nyata yang ingin diselesaikan dan memiliki nilai bisnis.
Nilai bisnis dituangkan dalam bentuk Business Model Canvas. Topik
dan judul harus diajukan kepada supervisor untuk disetujui.
25
Bidang yang dipilih dalam final project adalah Artificial
Intellegence. Dalam final project ini dipilih topik Object Detection
dengan judul “Auto Total Card Keranjang Penghitung Otomatis”.
Latar belakang diambilnya judul tersebut adalah kenapa kami

mengambil tema auto total card keranjang penghitung otomatis?
Yang mana kami ingin memebantu menyesaikan permasalahan yang
ada di dunia industri retail Antrian sellain merusak suasana hati,
antrian juga memiliki dampak financial yang jukup besar bagi dunia
retail
Menurut hasil beberapa studi di indonesia sebanyak 26% pelanggan

males pergi ke toko lagi karena antian yang cukup panjang dan tidak
Hanya itu bagi industri retailpun kehilangan beberapa % customernya
menjadikan kerugian sebanyak 311 miliar/ tahun
Dengan permasalahan permasalahan tersbut kami ingin membuat

sebuah inovasi yang dopat membantu untuk menyelesaikan
permasalah dengan membuat project auto total card keranjang
penghitung otomatis
Proyek/produk yang diusung memiliki target pengguna yaitu

Semua Industri Retail seperti Fresh Mart, toko buah dll dan bertujuan
untuk Peningkatan Efisiensi Operational, Peningkatan Akurasi
perhitungan, Peningkatan pengalaman belanja, optimalisasi
persediaan dan stok
c. Eksplorasi & Pengumpulan Dataset

Dataset yang digunakan pada project ini adalah dari sekian
banyaknya jenis buah kami mengambil beberapa jenis buah untuk di
jadikan dataset diantaranya anggur, apel, jambu, jeruk, manga,
manggis, nanas, pisang, strawberry, kelengkeng dan salak. Proses
pengumpulan dataset dilakukan dengan pengambilan dari Roboflow.
26
d. Data Preprocessing
Kami dalam processing menggunakan roboflow dimana kami
dalam roboflow melakukan beberapa data processing di
antanya annotate kami memberikan bonding box kepada
gambar yang ingin kami deteksi dan kami juga merubah size
gambar keseluruhan menjadi 640x640 pixel dan jumlah
dataset yang kami gunakan sebanyak 2043 total images teridiri
dari 1420 data train, 415 data validations dan 208 data test.
e. Pemodelan dan Modifikasi
Dalam pemodelan kami menggunakan yolov5 yang mana
sebelumnya kami menggunakan yolov7 namun akurasi yang
di dapat dari yolov5 lebih baik di banding yolov7 dengan
penggunaan GPU yang rendah membuat penggunan memori
yang rendah dan cepat juga dalam processing. Dalam
modifikasi kami menggunakan Resnet 500 yang mana resnent
ini memiliki keunggulan diantanya. Jaringan lebih luas,
akurasi lebih baik, generalisasi data, pebelajaran transfer,
pelatihan lebih cepat.
f. Deployment Model (Opsional)
Di tahapan deployment kami menggunakan strimlit untuk
softwere kami yang mana ada beberapa fitur yang bisa
digunakan di sebalah kiri tampilan strimlit ada bar navigasi
untuk mempermudah user dalam penggunaan aplikasi dan di
sebalah kananya ada fitur untuk melakukan predik
menggunakan example yang telah kami sediakan dan di
bawahnya ada upload data yang mana customer bisa upload
gambar dan akan muncul list harga dan qr code untuk
permbayaran lewat e-walet
g. Pembuatan Presentasi & Video Hasil Final Project
Setelah project selesai, dilakukan pembuatan dokumen
presentasi yang memuat:
27
● latar belakang permasalahan yang diselesaikan,
● value to business dengan Business Model Canvas,
● dataset yang digunakan,
● pilihan metode/algoritma (model) dan alasan pemilihannya,
● fitur/modifikasi/transfer learning yang diimplementasikan,
● cakupan kasus yang dapat diselesaikan oleh metode yang
dipilih,
● hasil dan tingkat akurasi model,
● hasil deployment (jika melakukan deployment), serta
● demo kode dan test image.
Selain membuat dokumen presentasi, dilakukan juga

pembuatan video pendek yang berdurasi maksimal 90 detik berisi:
● latar belakang & permasalahan yang ingin diselesaikan,

● ide & value to business dari ide yang diberikan,
● garis besar cara kerja proyek/produk yang dimengerti orang
awam,
● dokumentasi & credits (anggota tim & supervisor).
h. Hambatan dan Penyelesaian

Hambatan yang kami alami dalam pengerjaan final project ini
dimana kami sedikit kesulita di awal untuk menentukan model
yang ingin digunakan dan hambatan selanjutnya di
deployment dengan keterbatasan kami dalam hal ini membuat
kami harus belajar lebih dalam dengan project apa yang kami
kerjakan.
i. Tugas & Kontribusi Individu
1. Ahmad Yudiman Fauzi Tugas Mengumpulkan Data
Set
2. Vindi Sovia Anggita Tugas Deployment
3. Maharani Ria Sina Tugas Mengumpulkan Data Set
28
4. Kinanthi Putri Sawilopo Tugas Deployment
5. Aditia Taqi Pratama Tugas Modelling
6. Ardis Hibatul Hakim Tugas Modelling
3. Hasil Final Project

Project kami berjudul auto total card keranjang penghitung otomatis
yang mana project ini ingin membantu permasalahn yang ada di
industry retail yang sedang mengalami kerugian dengan permasalahan
tersebut kami berinovasi untuk membantu permasalan tersebut.
Yang mana cara kerja system kami customer pergi ke mall/toko buah-
buahan dan mengambil buah apa saja yang ingin di konsumsi atau di
gunakan lalu customer cukup scan atau video barang belajaanya dan
akan muncul list harga dan qr code untuk dilakukan pembayaran
secara digital.
29
Bab II Aktivitas Mingguan
Pada Bagian ini berisi aktivitas mingguan yang dapat diambil dari laporan
mingguan yang sudah dibuat di dalam platform dengan format sebagai berikut
Minggu Kegiatan
1 di minggu ini saya belajar lebih jauh mengenai apa itu MSIB dan
di hari berikutnya ada pengerjaan soal² yang di berikan mitra
kepada siswanya untuk bahan pembelajaran untuk minggu
berikutnya
2 di minggu ini belajar mengenai hal hal baru seperti belajar coding
langusng menggunakan pyton untuk bahasa pemrogramanya
sangat menyenangkan karna mendapat hal baru dan di minggu
selanjutnya akan ada materi mengenai depp learning yang
membuat saya makin penasaran
3 Di minggu ini saya belajar lebih mendalam bagaimana AI
beroprasi dengan berbagai sistem di dalamnya dan di tutup dengan
meet personal branding di hari sabtu sangat menyenangkan dan di
minggu depan akan jauh lebih mendalam dengan AI
4 di minggu ini saya belajar mengenai data dan machine learning

dimana ini ada alah salah satu bidang ilmu yang harus saya kuasai
untuk masuk kedalam AI dan di minggu depan akan menarik lagi
pembelajran nya
5 di minggu ini saya belajar banyak mengenai Machine Learning
dimana saya belajar mengenai suvervised learning dan
unsuvervised learning kedua ilmu tersebut adalah hal terpenting
dalam memahami Artificial Intellegence
6 Di minggu ini saya banyak belajar mengenai Deep Learning

dimana materi-materinya sangat menarik dan menjadi tantangan
untuk saya agar balajar lebih lagih
7 Di minggu ini sangat seru sekali saya belajar banyak mengenai 3D

picture yang ada dalam Artificial Intelegensi dan pembelajaran
30
tersebut menjadi hal fundamental untuk mengerjakan final project
kedepannya
8 minggu ini saya belajar, mentoring dan cycle meeting dalam

pembahasan membahas mengenai persiapan- persiapan untuk final
project yang akan di mulai pengerjaanya
9 Di minggu ini saya fokus dalam pengerjaan final project dan

mekerucutkan topik final project
10 Di minggu ini saya mengkuti beberapa diskusi dengan team final

project karna harus ada yang didiskusikan untuk pengambilan
dataset dll
11 Di minggu ini final project berfokus pada pengumpulan dataset

yang akan di gunakan di final project
12 Di minggu ini saya fokus kepada pemodelan yang akan di

gunakan untuk final project
13 di minggu sekarang saya dan team final project membahas lebih
dalam mengenai pemodelan yang di gunakan untuk finel project
dan persiapan persiapan lainnya
14 Di minggu ini saya mangeikuti beberapa kegiatan dan mengerjakan

beberapa tugas untuk penyelesaian dan pegembagan project yang
di buat untuk Final Project
15 di minggu ini saya dan team mengerjakan final project deployment

dimana project yang kami rancang ini untuk tugas akhir
16 Di minggu ini saya menyelesaikan tahap akhir dalam pembuatan

final project dengan team dan siap untuk presentasi
31
Bab III Penutup
III.1 Kesimpulan
Dalam Kegiata program yang saya ikuti selama MSIB khusunya di
startup campus sangat seru dan memberikan pengalama baru bagi saya, dan
menambah pengetahuan baru di dunia teknologi yang mana dalam tahapan
masuk kedalam mitra startup campus tidaklah mudah dari sekian banyaknya
pendaftar saya terpilih menjadi salah satunya
Dan hal terkesan lainnya adalah saya dapat berkenalan dengan banyak
teman dari berbagai daerah, yang sebelumnya saya tidak tahu kita bertukar
pengalaman dalam kompi dan belajar Bersama untuk memahami materi
yang di berikan mentor, yang selalu support denga napa yang kita belum
ketahui.
Yang menjadi titik berksan dalam program ini adalah Ketika final project
saya tidak menyangka akan menyelesaikan project ini dengan baik
mengingat basic saya yang bukan dari IT yang mendorong saya untuk
belajar lebih supaya seperti teman-teman kelompok saya.
Saya di pertemukan dengan kelompok yang gembira walaupun sedikit

mengeluh dalam pengejaan final project namun di satu sisi kami saling
memberikan motivasi satu sama lain untuk dapat menyelesaikan final
project yang telah menjadi ide kami.
III.2 Saran
Saran dari saya untuk MSIB sedikit masukan untuk program Studi
Independent agar mendapat potongan UKT walaupun tidak
mendapat BBH
Referensi
[1] https://kampusmerdeka.kemdikbud.go.id/
[2] Sendjaja, Sasa Djuarsa. (2014). Pengantar Teori Komunikasi. Universitas
Terbuka.
[3]
Lampiran
Lampiran A. TOR
Dokumen Term of Reference dapat diakses pada https://bit.ly/SC5AI_TOR
Lampiran B. Dokumen Teknik
1. Dokumentasi Live Session
Gambar 1: Dokumentasi Live Session

Sumber: Screenshoot Zoom
2. Dokumentasi Mentoring
Gambar 2: Mentoring
3. Dokumentasi Cycle Meeting
Gambar 3: Cycle Meeting

4. Dokumentasi Rapat Tim Final Project
Gambar 4: Rapat Tim Final Project

5. Dokumentasi Dataset Final Project
Gambar 5: Data Collection

Sumber: Screenshoot Roboflow
https://app.roboflow.com/finalproject-uucte/keranjang-
deteksi/browse?queryText=&pageSize=50&startingIndex=0&browseQuer
y=true
6. Dokumentasi Proses Pemodelan dan Modifikasi Model Final Project
Gambar 6: Proses Pemodelan dan Modifikasi Model Final Project

Sumber: Screenshoot Google Colab
Gambar 7: Proses Pemodelan dan Modifikasi Model Final Project
Sumber: Screenshoot Google Colab
7. Dokumentasi Hasil Final Project
8. Gambar 8: Hasil Final Project

Sumber: Screenshoot Streamlit
9. Dokumentasi Selection to Showcase & Showcase Final Project
Gambar 9: Selection to Showcase & Showcase Final Project


Ahmad Yudiman Fauzi - Laporan Akhir - Studi Independen - (Nama) - (NIM) - Artificial Intelligence - (MSIB Angkatan 5)

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ahmad Yudiman Fauzi - Laporan Akhir - Studi Independen - (Nama) - (NIM) - Artificial Intelligence - (MSIB Angkatan 5)

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN AKHIR

MAGANG & STUDI INDEPENDEN BERSERTIFIKAT

Startup Campus - Program Artificial Intelligence

FAKULTAS ILMU SOSIAL DAN ILMU POLITIK

1. Kampus Merdeka yang memberikan kesempatan untuk belajar dengan para

2. Yayasan Bakti Achmad Zaky beserta jajarannya yang telah sukses

3. Universitas Garut yang telah mengizinkan saya untuk mengikuti program

4. Subject Matter Expert, Mentor, dan Fasilitator yang telah membersamai

5. Tim Startup Campus Artificial Intelligence dan teman-teman satu angkatan

Dengan selesainya Studi Independen Bersertifikat ini, saya berharap dapat

I.1 Profil Perusahaan

Startup Campus adalah program pelatihan intensif untuk mengembangkan

Bagan alur koordinasi dan struktur organisasi dalam pelaksanaan program

1. Ni Luh Nitya Laksmi

1. Aries Fitriawan - Data Science Business Solution at PT. Indosat Tbk

I.2 Deskripsi Kegiatan

Ruang lingkup program meliputi:

● Pembekalan materi pelatihan secara daring;

Fasilitas yang akan diberikan kepada tim peserta meliputi:

● Kurikulum pembelajaran dirancang oleh pengajar terbaik dalam

Tim terpilih akan mendapatkan kurikulum pembelajaran

I.2.4 Lingkup Pembelajaran & Proyek

I.2.5 Alur Program

Terdapat beberapa kompetensi inti yang ingin dicapai dan

a. Problem-Solving: Kemampuan berpikir kritis dan terstruktur

b. Grit: Kemampuan untuk disiplin dan tekun serta mampu

c. Creativity: Kemampuan untuk mengembangkan, menciptakan

d. Communication: Kemampuan untuk menerjemahkan ide,

a. Pengenalan program, alur program, hasil yang diharapkan, serta

b. Pengenalan terhadap mentor profesional yang akan

Sistem pembelajaran di Program Artificial Intelligence Computer

a. Pembelajaran asinkronus: Peserta wajib mempersiapkan

b. Pembelajaran sinkronus: Peserta akan mengikuti

Proses penilaian mahasiswa dilaksanakan oleh seluruh pihak termasuk

a. Tugas Individu (Belajar Mandiri & Kuis)

Peserta diberikan referensi belajar melalui buku, artikel, case

b. Keaktifan selama Proses Pembelajaran

Pembelajaran sinkronus adalah sesi interaktif berdurasi 2-3 jam

Selama program, tiap tim akan mendapatkan mentorship dari

d. Proyek Tim (Final Project)

Peserta akan mengerjakan berbagai proyek tim yang bertujuan

Masing-masing tim akan mempresentasikan proyek final tim

5. Pembelajaran Sesuai Kurikulum

Berikut adalah kurikulum Program Artificial Intelligence Computer

a. Artificial Intelligence Foundation

Targeted Skill Level

Pembelajaran asinkronus di chapter ini dilakukan dengan

Chapter ini dilengkapi dengan pembelajaran asinkronus melalui

d. Machine Learning & Deep Learning

Chapter ini dilengkapi dengan pembelajaran asinkronus melalui

Pembelajaran asinkronus pada chapter ini dilakukan dengan

f. Git Collaboration & Artificial Intelligence Life Cycle

Pembelajaran asinkronus pada chapter ini dilakukan dengan

g. Final Project & Showcase

h. Enrichment Natural Language Processing

Pembelajaran asinkronus pada chapter ini dilakukan dengan

I.2.6 Jadwal Program

Waktu Rencana Pembelajaran Metode

Minggu Onboarding sesi sinkron melalui zoom

Mempelajari Modul AI Foundation self learning

Minggu Mempelajari Modul Python

Mentoring kesepakatan dengan mentor