Ahmad Yudiman Fauzi FIX - Laporan Akhir - Studi Independen - Ahmad Yudiman Fauzi - (24012121047) - Artifici
Ahmad Yudiman Fauzi FIX - Laporan Akhir - Studi Independen - Ahmad Yudiman Fauzi - (24012121047) - Artifici
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:
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 lain-lain>
Dapat ditambahkan berbagai daftar yang dibutuhkan seperti daftar tabel, daftar
gambar, daftar algoritma, daftar padanan istilah, daftar singkatan, daftar istilah,
daftar simbol. Khusus untuk daftar pustaka, dapat diletakkan setelah bab Penutup,
sebelum lampiran. Jika hanya terdapat satu gambar atau satu tabel, maka tidak
perlu dibuat daftar gambar atau daftar tabel. Setiap daftar, misal daftar gambar,
daftar tabel, daftar istilah dan singkatan, semuanya diletakkan pada halaman
terpisah. (Jika ada)
Bab I Gambaran Umum
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:
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:
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.
3
I.2.3 Tujuan
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.
4
● Data Science: Data Science Introduction, Data Preprocessing,
Data Analysis, Data Visualization, Data Storytelling, Data
Modeling
● 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
1. Kompetensi Inti
5
relevan dan applicable serta mengkomunikasikan alternatif
solusi terhadap pihak terkait.
2. Proses Induksi
6
3. Sistem Pembelajaran
4. Sistem Penilaian
7
b. Keaktifan selama Proses Pembelajaran
c. Mentorship
e. Showcase
8
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.
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
9
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.
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
Targeted Skill Level
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.
10
Learning Details
Pada chapter ini, peserta akan:
1. mempelajari dan mempraktikkan pengenalan bahasa
pemrograman Python, termasuk bagaimana cara
menginstal, Python Integrated Development Environment
(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.
Learning Duration
90 hours
11
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
c. Data Science
Targeted Skill Level
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
12
selection, dan task terkait data modeling; serta
7. membuat model berdasarkan data untuk menyelesaikan
permasalahan.
Learning Duration
90 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
13
Learning Details
Pada chapter ini, peserta akan:
1. mempelajari terminologi terkait big data, aspek dalam big
data, serta arsitektur dan implementasi big data;
2. mempelajari konsep dan macam-macam machine
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;
5. mempelajari dan mempraktikkan algoritma dan
pemodelan unsupervised learning, yaitu clustering,
association, dan dimensionality reduction;
6. mempelajari dan mempraktikkan algoritma dan
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.
14
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
menganalisis model supervised learning, unsupervised
learning, neural network, dan deep learning.
Learning Duration
180 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
e. Computer Vision
Targeted Skill Level
Mahasiswa mampu membuat dan memodifikasi model untuk
menyelesaikan masalah dengan menggunakan pendekatan
image processing, 3D computer vision, dan neural network
computer vision.
Learning Details
Pada chapter ini, peserta akan:
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
15
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
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).
Learning Duration
180 hours
16
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
Learning Details
Pada chapter ini, peserta akan:
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).
17
peserta diberikan assignment untuk membuat repository,
portofolio, dan berkolaborasi kode di Git/GitHub dan
menerapkan AI Life Cycle.
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
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
18
mempresentasikan produknya di depan para expert dan peserta
lainnya.
Learning Duration
272 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 kelompok, keaktifan
Learning Details
Pada chapter ini, peserta akan:
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
19
3. mempelajari large language model atau transformer
model di antaranya model encoder (BERT), model
decoder (GPT), dan model encoder-decoder: sequence-
to-sequence (BART).
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
20
Live Session 3.1: Data Science
Introduction, Data Preprocessing & sesi sinkron melalui zoom
Data Visualization
Mempelajari Modul Python
self learning
Foundation
Mempelajari Modul Data Science self learning
Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
Tugas Individu 2 tugas melalui google classroom
Live Session 3.2: Data Storytelling
sesi sinkron melalui zoom
& Data Modelling
Live Session 4.1: Introduction to
sesi sinkron melalui zoom
Big Data & Machine Learning
Minggu Mempelajari Modul Data Science self learning
4 Mempelajari Modul Machine
self learning
Learning & Deep Learning
Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
Tugas Individu 3 tugas melalui google classroom
Live Session 4.2: Supervised
sesi sinkron melalui zoom
Learning
Live Session 4.3: Unsupervised
sesi sinkron melalui zoom
Learning
Minggu Mempelajari Modul Machine
5 self learning
Learning & Deep Learning
Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
Tugas Individu 4 tugas melalui google classroom
Live Session 4.4: Reinforcement
sesi sinkron melalui zoom
Learning
Live Session 4.5: Deep Learning sesi sinkron melalui zoom
Minggu Mempelajari Modul Machine
self learning
6 Learning & Deep Learning
Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
Tugas Individu 4 tugas melalui google classroom
Live Session 5.1: Introduction to
Minggu Computer Vision & Image sesi sinkron melalui zoom
7 Processing
Live Session 5.2: 3D Computer sesi sinkron melalui zoom
21
Vision
Mempelajari Modul Computer
self learning
Vision
Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
Tugas Individu 5 tugas melalui google classroom
Live Session 5.3: Introduction to
sesi sinkron melalui zoom
Neural Network Computer Vision
Live Session 5.4: Neural Network
sesi sinkron melalui zoom
Computer Vision Architecture
Minggu Mempelajari Modul Computer self learning
8 Vision
Final Project Kick Off sesi sinkron melalui zoom
Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
Tugas Individu 5 tugas melalui google classroom
Live Session 6: Git Collaboration sesi sinkron melalui zoom
Mempelajari Modul Git
self learning
Collaboration
Minggu Pengerjaan Final Project Minggu 1
9
Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
Tugas Individu 6 tugas melalui google classroom
Pengerjaan Final project Minggu 2
Minggu hingga 8
10-16 Mentoring kesepakatan dengan mentor
Cycle Meeting kesepakatan dengan facil
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
22
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
permasalahan di dunia nyata dengan penerapan artificial intelligence
utamanya computer vision.
23
sedemikian rupa sehingga model dapat digunakan untuk
menghasilkan citra yang baru.
24
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
Proyek/produk yang diusung memiliki target pengguna yaitu
26
1. Meningkatkan Efisiensi Operasional: Tujuan utama proyek
ini adalah meningkatkan efisiensi operasional dalam bisnis
retail, khususnya dalam mengelola antrian dan proses
pembayaran. Dengan mengurangi waktu yang dibutuhkan
untuk transaksi, toko dapat melayani lebih banyak
pelanggan dalam waktu yang sama.
2. Meningkatkan Kepuasan Pelanggan: Dengan mengurangi
antrian dan mempercepat proses pembayaran, proyek ini
bertujuan untuk meningkatkan kepuasan pelanggan.
Pelanggan akan lebih senang dengan pengalaman
berbelanja yang lebih cepat dan efisien.
3. Mengurangi Kerugian Finansial: Dampak finansial dari
kehilangan pelanggan akibat antrian yang panjang dapat
dikurangi. Dengan mempercepat proses dan mengurangi
tingkat frustasi pelanggan, toko dapat mempertahankan dan
bahkan meningkatkan pendapatan mereka.
4. Mendorong Penggunaan E-Wallet: Proyek ini mencakup
pembayaran menggunakan e-wallet, yang dapat
meningkatkan adopsi teknologi pembayaran digital. Hal ini
dapat membantu toko dan konsumen beralih ke solusi
pembayaran yang lebih modern, aman, dan efisien.
5. Inovasi Teknologi dalam Industri Ritel: Proyek ini
memiliki nilai bisnis dalam memperkenalkan inovasi
teknologi dalam industri ritel. Menerapkan solusi yang
memanfaatkan teknologi pembayaran digital dan
otomatisasi dapat membantu menciptakan keunggulan
kompetitif.
6. Menarik Pelanggan yang Lebih Banyak: Dengan
memberikan pengalaman berbelanja yang lebih baik, toko
dapat menarik pelanggan baru dan mempertahankan
27
pelanggan yang sudah ada. Ini dapat membantu dalam
pertumbuhan bisnis jangka panjang.
c. Data Preprocessing
Untuk dataset kami terdiri dari 11 buah yaitu anggur, apel,
jeruk, mangga, kelengkeng, strawberry, pisang, nanas, salak, manggis,
jambu dan masing-masing buah terdiri dari 200 gambar, setelah itu
kita melakukan annotate pada setiap buah dan melakukan resize pada
setiap gambar yaitu dengan ukuran 640 x 640. Dan untuk dataset split
dengan rincian berikut training dengan 1420 gambar, validasi dengan
415 gambar, dan testing dengan 208 gambar.
28
Gambar 1. 2. Augmentasi Data
29
sedang kami jalankan. Dapat dilihat perbandingan antara YOLOv5
dan YOLOv7 pada gambar dibawah.
30
Gambar 1. 5. (a) Confusion matrix YOLOv5
31
Gambar 1. 7. (a) Sebelum dilakukan modifikasi model
32
1. ResNet memungkinkan penggunaan jaringan yang lebih dalam
tanpa menghadapi tantangan yang biasa muncul dalam pelatihan
model yang sangat dalam, seperti masalah vanishing gradients.
2. Implementasi ResNet pada model YOLOv5 kami diharapkan dapat
meningkatkan akurasi deteksi objek, menghasilkan prediksi yang
lebih tepat dan konsisten.
3. Arsitektur ResNet memiliki keunggulan dalam mempercepat proses
pelatihan model, memungkinkan kami untuk mencapai hasil yang
diinginkan dalam waktu yang lebih singkat.
4. ResNet dikenal dapat menghasilkan representasi fitur yang lebih
baik, memungkinkan model untuk lebih umum dan efektif dalam
menangani variasi data yang kompleks.
5. Pembelajaran Transfer di mana jaringan pra-pelatihan disesuaikan
untuk tugas tertentu menggunakan kumpulan data yang lebih kecil.
Hal ini dapat menghemat waktu dan sumber daya dalam melatih
jaringan dari awal.
33
mAP pada rentang kepercayaan 50-95% mencapai 0.489, dengan
mangga sebagai nilai tertinggi pada 0.662.
34
Gambar 1. 11. Fitur-fitur pada deployment
Fitur-fitur utama yang dapat diakses pada platform deployment
kami meliputi:
35
Gambar 1. 12. Tampilan fitur for example data
2. Upload Your Own Data
36
Gambar 1. 14. Tampilan total harga
37
Gambar 1. 18. Tampilan fitur our team
3. Select Compute Device
38
kami merangkum latar belakang proyek "AutoTotal Card" sebagai
solusi inovatif untuk meningkatkan pengalaman berbelanja dalam
industri ritel. Kami menyoroti permasalahan antrian, efisiensi
operasional, dan kebutuhan pelanggan yang cepat. Ide proyek ini
memberikan nilai tambah bagi bisnis retail dengan meminimalkan
antrian, meningkatkan efisiensi operasional, dan menciptakan
pengalaman berbelanja yang lebih cepat dan efisien. Terakhir, kami
dokumentasikan dan memberikan credits anggota tim dan supervisor
yang berkontribusi dalam pengembangan proyek ini. Berikut link
video
https://drive.google.com/file/d/12eAYVySzJIBRrIhakdJoGINoz6rko
_WW/view?usp=drivesdk
39
h. 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
4. Kinanthi Putri Sawilopo Tugas Deployment
5. Aditia Taqi Pratama Tugas Modelling
6. Ardis Hibatul Hakim Tugas Modelling
40
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
41
3 Kegiatan dari tanggal 28 Agustus-1 September yang dilakukan
mengikuti personal development session perdana bersama Kak
Mella tentang Learning Motivation & Self Leadership. Mengikuti
Live Session membahas tentang Python Programming bersama
Kak Haswin. Selanjutnya mengikuti Live Session membahas
tentang Introduction to Data Science: Data Analysis & Data
Preprocessing bersama Kak Aries. Selanjutnya mengikuti Career
Talk Series bersama Kak Nifa membahas seputar cara
membangun profil linkedin dan personal branding untuk karir.
Kegiatan berikutnya akan belajar mandiri dan mengikuti kegiatan
yang ada.
42
membahas mengenai materi Supervised Learning.
43
materi tentang Neural Network Computer Vision. Mengikuti
mentoring bersama Kak Haswin membahas materi tentang Neural
Network Computer Vision (CNN). Selanjutnya mengikuti Live
Session bersama dengan Kak Aries untuk belajar membahas
mengenai Neural Network Computer Vision Architecture.
Selanjutnya kegiatan yang saya lakukan mengikuti mentoring
bersama Kak Rika membahas tentang Pytorch.
44
Kemudian dilanjutkan dengan mengikuti mentoring Final Project
bersama Kak Haswin membahas dataset yang akan digunakan
dan teknis project nya seperti apa.
45
13 Kegiatan yang saya lakukan dari tanggal 6-10 November 2023
mengikuti Career Talk Series 4: AI Special bersama Kak
Nicholas dan Kak Haswin. Selanjutnya membahas project tim
terkait kendala dan kekurangannya apa saja dan mengikuti Cycle
Meeting bersama Kak Nitya. Kemudian mengikuti mentoring
Final Project bersama Kak Haswin membahas project masing-
masing tim terkait progress dan kendalanya apa saja.
46
mengumpulkan project melalui Github dan menambahkan
kekurangan seperti ppt, deployment, modelling. Kemudian
mengikuti Showcase dimana tiap masing-masing tim melakukan
presentasi dari hasil project yang telah dilakukan selama kurang
lebih 2 bulan. Tim saya membuat project “Auto Total Card
Keranjang Penghitung Otomatis” dengan lebih spesifik
untuk buah-buahan.
47
Bab III Penutup
III.1 Kesimpulan
Dari pengalaman saya dalam program Startup Campus, berikut adalah
beberapa kesimpulan yang dapat saya bagikan:
1. Memperoleh pengetahuan Artificial Intellegence, machine learning, data
science, dan computer vision, serta mengaplikasikannya dalam assignment
yang diberikan pada setiap chapter.
2. Mengembangkan berbagai softskill seperti komunikasi efektif, pemahaman
orang dari berbagai perspektif, pengendalian emosi, dan konsentrasi pada
tujuan.
3. Praktik menggunakan GIT dan GitHub dengan membuat repository.
4. Menerima panduan tentang persiapan karier, termasuk tips dalam membuat
LinkedIn dan CV yang menarik.
III.2 Saran
Berikut beberapa saran tambahan yang dapat Anda berikan kepada Startup
Campus - Program Artificial Intelligence di Yayasan Bakti Achmad Zaky
1. Buat ruang diskusi online
2. Fasilitasi platform online untuk kolaborasi.
3. Membahas terkait tugas yang sudah dinilai
4. Waktu sesi mentoring mungkin dikurangi jadi 1 jam 30 menit agar tidak
terlalu membosankan
48
Referensi
Tuliskan berbagai referensi yang digunakan dalam laporan MSIB terurut abjad
berdasar nama pengarang bisa didapatkan dari buku, jurnal, website dll.
[nomor] Nama, Nama. Tahun. Judul. Kota: Penerbit.
[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