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.......................................................................................................................
I.1 Profil Perusahaan.........................................................................................................................
I.2 Deskripsi Kegiatan.......................................................................................................................
Bab II Aktivitas Mingguan...................................................................................................................
Bab III Penutup.....................................................................................................................................
III.1 Kesimpulan................................................................................................................................
III.2 Saran..........................................................................................................................................
Referensi
Lampiran
DAFTAR 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

7
 tersebut. 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
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.

Learning Details
Pada chapter ini, peserta akan:
1. mempelajari dan mempraktikkan pengenalan bahasa
pemrograman Python, termasuk bagaimana cara
menginstal, Python Integrated Development

10
 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.

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
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

11
 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
selection, dan task terkait data modeling; serta
7. membuat model berdasarkan data untuk menyelesaikan
permasalahan.

Chapter ini dilengkapi dengan pembelajaran asinkronus

12
 melalui 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
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

d. Machine Learning & Deep Learning

Targeted Skill Level
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
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

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;
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.

Chapter ini dilengkapi dengan pembelajaran asinkronus

melalui 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
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
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

15
 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).

Pembelajaran asinkronus pada 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 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
Buku bacaan, modul presentasi dari Startup Campus, rekaman
video pembelajaran dari ahli, live session, video dari Youtube

16
 Startup Campus, dan referensi lainnya yang dapat diakses
melalui Learning Management System.

Assessment Method
Tugas individu dan/atau kelompok, keaktifan, kuis

f. Git Collaboration & Artificial Intelligence Life Cycle

Targeted Skill Level
Mahasiswa mampu membuat repository, portofolio, dan
berkolaborasi kode menggunakan Git/GitHub serta
menerapkan AI life cycle dalam membuat produk Artificial
Intelligence (AI).

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).

Pembelajaran asinkronus pada 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 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

17
 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

g. Final Project & Showcase

Targeted Skill Level
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.

18
 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

h. Enrichment Natural Language Processing

Targeted Skill Level
Mahasiswa mampu memahami dan menerapkan konsep dan
model natural language processing dalam menyelesaikan
permasalahan.

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
3. mempelajari large language model atau transformer
model di antaranya model encoder (BERT), model

19
 decoder (GPT), dan model encoder-decoder: sequence-
to-sequence (BART).

Pembelajaran asinkronus pada chapter ini dilakukan dengan

belajar mandiri melalui modul, exercise, video pembelajaran,
dan referensi pembelajaran lain di Learning Management
System.

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

I.2.6 Jadwal Program

Waktu Rencana Pembelajaran Metode

Onboarding sesi sinkron melalui zoom
Minggu
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

self learning
2 Foundation

Mentoring kesepakatan dengan mentor

Cycle Meeting kesepakatan dengan facil

Tugas Individu 1 tugas melalui google classroom

Minggu Live Session 2.2: Python sesi sinkron melalui zoom

20
 Programming
Live Session 3.1: Data Science
Introduction, Data Preprocessing & sesi sinkron melalui zoom
Data Visualization

Mempelajari Modul Python

self learning
Foundation
3
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

Mempelajari Modul Data Science self learning

Minggu
Mempelajari Modul Machine
4 self learning
Learning & Deep Learning

Mentoring kesepakatan dengan mentor

Cycle Meeting kesepakatan dengan facil

Tugas Individu 3 tugas melalui google classroom

Minggu Live Session 4.2: Supervised
sesi sinkron melalui zoom
5 Learning
Live Session 4.3: Unsupervised
sesi sinkron melalui zoom
Learning

Mempelajari Modul Machine

self learning
Learning & Deep Learning

Mentoring kesepakatan dengan mentor

Cycle Meeting kesepakatan dengan facil

21
 Tugas Individu 4
Live Session 4.4: Reinforcement
Learning
Live Session 4.5: Deep Learning
tugas melalui google classroom
sesi sinkron melalui zoom
sesi sinkron melalui zoom

Mempelajari Modul Machine

self learning
Minggu Learning & Deep Learning
6
Mentoring kesepakatan dengan mentor

Cycle Meeting kesepakatan dengan facil

Tugas Individu 4 tugas melalui google classroom

Live Session 5.1: Introduction to
Computer Vision & Image sesi sinkron melalui zoom
Processing
Live Session 5.2: 3D Computer
sesi sinkron melalui zoom
Vision

Minggu Mempelajari Modul Computer

self learning
7 Vision

Mentoring kesepakatan dengan mentor

Cycle Meeting kesepakatan dengan facil

Tugas Individu 5 tugas melalui google classroom

Minggu Live Session 5.3: Introduction to
sesi sinkron melalui zoom
8 Neural Network Computer Vision
Live Session 5.4: Neural Network
sesi sinkron melalui zoom
Computer Vision Architecture

Mempelajari Modul Computer

self learning
Vision

Final Project Kick Off sesi sinkron melalui zoom

Mentoring kesepakatan dengan mentor

Cycle Meeting kesepakatan dengan facil

22
 Tugas Individu 5 tugas melalui google classroom
Live Session 6: Git Collaboration sesi sinkron melalui zoom
Mempelajari Modul Git
self learning
Collaboration

Pengerjaan Final Project Minggu 1

Minggu
9
Mentoring kesepakatan dengan mentor

Cycle Meeting kesepakatan dengan facil

Tugas Individu 6 tugas melalui google classroom

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

Cycle Meeting kesepakatan dengan facil

presentasi hasil final project &
Selection to Showcase
kompetisi antar tim
Minggu
17 presentasi hasil final project &
Showcase
kompetisi antar tim
Graduation
Minggu
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
permasalahan di dunia nyata dengan penerapan artificial intelligence
utamanya computer vision.

23
 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

25
Canvas. Topik dan judul harus diajukan kepada supervisor untuk
disetujui.

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

27
 g. Pembuatan Presentasi & Video Hasil Final Project
Setelah project selesai, dilakukan pembuatan dokumen
presentasi yang memuat:

● 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

28
 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

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

30
 3D picture yang ada dalam Artificial Intelegensi dan
pembelajaran 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
Sumber: Screenshoot Zoom
3. Dokumentasi Cycle Meeting

Gambar 3: Cycle Meeting

Sumber: Screenshoot Zoom

4. Dokumentasi Rapat Tim Final Project

Gambar 4: Rapat Tim Final Project

Sumber: Screenshoot Zoom
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&browseQuery=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

Sumber: Screenshoot Zoom