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 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

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.

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.

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

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

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

5
 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,
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.

6
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
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.

7
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. 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.

8
 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

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

9
 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.

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

10
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
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.

11
 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

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

12
 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

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

13
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
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

14
 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
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;

15
 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 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.

16
 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

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,

17
 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
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

18
 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
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

19
 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-
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

Minggu Onboarding sesi sinkron melalui zoom

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

20
 Cycle Meeting kesepakatan dengan facil
Tugas Individu 1 tugas melalui google classroom
Live Session 2.2: Python
sesi sinkron melalui zoom
Programming
Live Session 3.1: Data Science
Introduction, Data Preprocessing & sesi sinkron melalui zoom
Data Visualization
Minggu Mempelajari Modul Python
3 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

21
 Live Session 5.1: Introduction to
Computer Vision & Image sesi sinkron melalui zoom
Processing
Live Session 5.2: 3D Computer
sesi sinkron melalui zoom
Minggu Vision
7 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

I.2.7 Final Project

22
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.

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.

23
 ● 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.

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:

● Aditia Taqi Pratama dari Universitas Negeri Jakarta

● Ardis Hibatul Hakim dari Universitas Gunadarma

● Kinanthi Putri Siwilopo dari Univeristas Amikom Puwokerto

24
 ● Maharani Ria Sina dari Universitas sebelas Maret Semarang

● Vindi Sofia Anggita dari Politeknik Negeri Malang

● Ahmad Yudiman Fauzi dari Universitas Garut

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.

Bidang yang dipilih dalam final project Object Detection.

Dalam final project ini dipilih topik Object Detection dengan judul
“Auto Total Card Keranjang Penghitung Otomatis”.

Latar belakang diambilnya judul tersebut adalah "Auto Total

Card" Keranjang Penghitung Otomatis adalah sebuah sistem untuk
efisiensi dan efektifitas dalam dunia bisnis retail, dimana sistem ini
dapat diimplementasikan dengan mudah oleh setiap pelanggan.
Antrian selain merusak mood, antrian juga memberikan dampak
finansial yang cukup besar bagi dunia retail. Menurut hasil dari
beberapa penelitian di Indonesia, sebanyak 26% pelanggan toko
enggan untuk pergi ke toko tersebut lagi karena antrian yang cukup
panjang dan tidak hanya itu, industri ritel juga kehilangan beberapa
% pelanggannya, sehingga mengakibatkan kerugian sebesar 311

25
milyar/tahun. Dengan adanya permasalahan tersebut, kami ingin
membuat sebuah inovasi yang dapat membantu menyelesaikan
masalah tersebut dengan membuat sebuah proyek penghitungan total
kartu otomatis gerobak. Dan cara kerja dari sistem ini adalah
customer pergi ke mall/toko buah kemudian customer memilih buah
apa saja yang ingin mereka konsumsi dan gunakan, lalu customer
bisa langsung men-scan belanjaan yang sudah ada di keranjang
mereka dan menginput ke dalam sistem yang sudah kami buat dan
akan muncul harga belanjaannya. Setiap buah kemudian dapat
memindai barcode untuk melakukan pembayaran menggunakan e-
wallet.

Proyek/produk yang diusung memiliki target pengguna yaitu

1. Pemilik dan Manajer Toko Retail: Pemilik dan manajer

toko ritel dapat menjadi target pengguna utama, karena
sistem ini dirancang untuk meningkatkan efisiensi dan
efektivitas operasional toko mereka. Dengan adanya
keranjang penghitung otomatis, antrian dapat berkurang,
meningkatkan kepuasan pelanggan, dan mengurangi
kerugian finansial akibat kehilangan pelanggan.
2. Konsumen/Retail Shopper: Konsumen adalah target
pengguna akhir yang akan merasakan manfaat langsung
dari penggunaan keranjang penghitung otomatis. Mereka
dapat menikmati pengalaman berbelanja yang lebih cepat
dan nyaman tanpa harus menunggu lama di antrian kasir.
Sistem ini juga memungkinkan pembayaran menggunakan
e-wallet, memberikan opsi pembayaran yang lebih
modern.
3. Pengembang dan Penyedia Layanan Teknologi:
Pengembang perangkat lunak dan perangkat keras, serta
penyedia layanan teknologi, dapat menjadi target

26
 pengguna yang berkontribusi pada pengembangan,
implementasi, dan pemeliharaan sistem "Auto Total
Card."
4. Asosiasi Ritel dan Bisnis: Asosiasi ritel dan bisnis di
tingkat regional atau nasional dapat tertarik untuk
mendukung atau mengadopsi teknologi ini sebagai bagian
dari upaya untuk meningkatkan efisiensi industri ritel
secara keseluruhan.

Tujuan dan nilai bisnis dari proyek "Auto Total Card"

Keranjang Penghitung Otomatis mencakup beberapa aspek yang
dapat memberikan manfaat bagi pemangku kepentingan
(stakeholders) yang terlibat. Berikut adalah beberapa tujuan dan nilai
bisnis yang dapat dicapai:

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.

27
 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
pelanggan yang sudah ada. Ini dapat membantu dalam
pertumbuhan bisnis jangka panjang.

b. Eksplorasi & Pengumpulan Dataset

Dataset yang digunakan pada project ini 11 buah dengan
2043 gambar buah. Proses pengumpulan dataset dilakukan dengan
pengumpulan dataset yang diambil dari memphoto buah dengan
kamera pribadi di toko buah, dan beberapa kita mengambil dari
gambar buah di internet dan Roboflow dengan format YOLOv5

Gambar 1. 1. Data Collection

28
 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.

Gambar 1. 2. Augmentasi Data

Gambar 1. 3. Total Dataset Setelah Augmentasi

d. Pemodelan dan Modifikasi
Berdasarkan analisis perbandingan antara YOLOv5 dan
YOLOv7, kelompok kami memilih YOLOv5 sebagai model deteksi
objek yang akan digunakan dalam proyek ini. Meskipun secara teori
YOLOv7 memiliki akurasi yang lebih tinggi, penelitian kami
menunjukkan bahwa YOLOv5 memberikan kinerja akurasi yang

29
lebih baik dalam konteks proyek kami. Selain itu, ketika
mempertimbangkan faktor kecepatan, YOLOv5 juga menjadi pilihan
yang lebih efisien, sesuai dengan fokus kelompok kami.

Keputusan ini didasarkan pada pertimbangan bahwa fokus

kelompok kami adalah pada kemampuan GPU yang memiliki
standar kinerja. Dengan demikian, YOLOv5 dianggap sebagai solusi
yang optimal, memadukan kinerja akurasi yang memadai dengan
kecepatan yang cukup baik, sesuai dengan kebutuhan spesifik proyek
yang sedang kami jalankan. Dapat dilihat perbandingan antara
YOLOv5 dan YOLOv7 pada gambar dibawah.

Gambar 1. 4. Perbandingan YOLOv5 dan YOLOv7

Setelah itu dilakukan pengujian untuk membandingkan

YOLOv5 dan YOLOv7 melalui analisis confusion matrix, dapat
dilihat pada gambar (a) bahwa grafik hasil pelatihan YOLOv5
menunjukkan tingkat akurasi yang lebih tinggi daripada grafik hasil
pelatihan YOLOv7 yang terletak di sebelah kanan. Perbandingan ini
menggambarkan bahwa YOLOv5 berhasil mencapai tingkat akurasi

30
yang lebih baik dalam mendeteksi objek dibandingkan dengan
YOLOv7 dalam konteks uji coba yang dilakukan.

Gambar 1. 5. (a) Confusion matrix YOLOv5

Gambar 1. 6. (b) Confusion matrix YOLOv7

Kemudian, kami melakukan modifikasi pada model
YOLOv5 dengan memperbarui bagian backbone menggunakan
ResNet atau jaringan residual, dengan implementasi ResNet 500.

31
Perubahan ini dapat diamati pada gambar (a) menunjukkan model
sebelum menggunakan ResNet, sedangkan gambar (b) menampilkan
model setelah mengadopsi ResNet.

Gambar 1. 7. (a) Sebelum dilakukan modifikasi model

Gambar 1. 8. (b) Setelah modifikasi model ResNet

Gambar di bawah ini menunjukkan hasil perubahan yang
telah dilakukan, di mana ResNet 501, 502, dan 503 telah
diintegrasikan ke dalam proses pelatihan yang kami jalankan.

Gambar 1. 9. Modifikasi ResNet

32
 Kami memilih untuk menggunakan ResNet (residual
network) dalam proyek kami atas beberapa alasan yang mendasar,
termasuk keuntungan sebagai berikut:

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.

Langkah berikutnya melibatkan pelatihan model dengan

menggunakan gambar berukuran 640 piksel, yang dipilih
berdasarkan ukuran keseluruhan model kami yang ditetapkan pada
640 x 640 piksel. Pelatihan dilakukan dengan batch size sebanyak
16 dan selama 500 epoch.

Hasil pelatihan dapat dilihat pada gambar di bawah ini,

yang mencakup statistik data hasil training untuk seluruh kelas.
Terdapat 415 data yang berhasil divalidasi dari total 2043 data,
dengan 1152 instance yang berhasil dideteksi. Kelas kelengkeng
memiliki nilai tertinggi dengan 204, precision sebesar 0.752,

33
 dengan pisang sebagai kelas tertinggi pada nilai 0.918. Recall
mencapai 0.703, dengan strawberry sebagai nilai tertinggi pada
0.918. mAP pada tingkat kepercayaan 50% mencapai 0.721,
dengan strawberry menjadi nilai tertinggi pada 89, sementara nilai
mAP pada rentang kepercayaan 50-95% mencapai 0.489, dengan
mangga sebagai nilai tertinggi pada 0.662.

Gambar 1. 10. Nilai hasil evaluasi

e. Deployment Model (Opsional)
Setelah melakukan pelatihan, kami melanjutkan dengan tahap
deployment menggunakan platform Streamlit. Deployment dilakukan
untuk memberikan akses dan pengalaman pengguna yang lebih luas
terhadap fitur-fitur yang telah kami implementasikan dalam proyek
ini.

Deployment ini bertujuan untuk memberikan pengguna

kemudahan dalam mengakses dan menggunakan model deteksi
objek yang telah kami kembangkan, baik untuk klasifikasi gambar,
video, maupun data dari webcam secara real-time. Berikut pada
gambar merupakan fitur-fitur yang ada pada deployment.

34
 Gambar 1. 11. Fitur-fitur pada deployment
Fitur-fitur utama yang dapat diakses pada platform
deployment kami meliputi:

1. Select Input Source

Tampilan awal menampilkan 10 gambar yang dapat

diprediksi. Pengguna dapat memilih gambar-gambar
tersebut untuk diklasifikasikan ke dalam kelas buah yang
telah dilakukan training sebelumnya, seperti jeruk, nanas,
anggur, dan pisang. Hasil prediksi termasuk akurasi dan
total harga buah yang ditampilkan.

35
 Gambar 1. 12. Tampilan fitur for example data
2. Upload Your Own Data

Pengguna dapat memilih jenis data yang ingin

diunggah, seperti gambar, video, webcam, price list, dan
our time. Fitur ini memungkinkan pengguna mengunggah
gambar untuk prediksi, dengan tampilan hasil prediksi
beserta total harga buah. Terdapat juga barcode untuk
memfasilitasi pembayaran dengan cara scan.

Selain itu, terdapat fitur tambahan seperti "Price

List" untuk melihat harga setiap buah, "Our Team" yang
memuat informasi tentang tim yang terlibat dalam
pembuatan proyek ini. Gambar-gambar terkait fitur-fitur
tersebut dapat dilihat pada penjelasan sebelumnya.

Gambar 1. 13. Tampilan fitur image

36
 Gambar 1. 14. Tampilan total harga

Gambar 1. 15. Tampilan fitur video

Gambar 1. 16. Tampilan fitur webcam

Gambar 1. 17. Tampilan fitur price list

37
 Gambar 1. 18. Tampilan fitur our team
3. Select Compute Device

Pengguna dapat memilih perangkat komputasi

seperti CUDA atau CPU. Meskipun CUDA mengalami
error yang tidak mendukung, kelompok kami memilih
menggunakan CPU untuk memastikan kelancaran
penggunaan tanpa masalah.

f. 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. Dalam video singkat berdurasi 90 detik,

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

g. Hambatan dan Penyelesaian

Dalam proses penyelesaian proyek akhir, beberapa hambatan
muncul, termasuk keterbatasan data yang mempengaruhi
kemampuan model untuk belajar secara optimal, kompleksitas model
yang dapat menyebabkan overfitting atau underfitting, dan kualitas
gambar uji coba yang tidak selaras dengan prediksi pada dataset.
Untuk mengatasi ini, diperlukan pendekatan yang terperinci, seperti
melakukan augmentasi data, memilih model yang sesuai dengan
karakteristik data, melakukan preprocessing gambar untuk
meningkatkan konsistensi, dan menerapkan evaluasi berkala dengan
teknik validasi silang untuk memastikan kesesuaian model dengan
perkembangan dataset. Selain itu, peningkatan epoch sebanyak 500
juga dapat diimplementasikan untuk memberikan model lebih
banyak iterasi belajar, meningkatkan kemampuannya untuk
menangkap pola yang kompleks dalam data dan meningkatkan
performa prediktifnya. Solusi ini memastikan penanganan masalah
yang cermat dan terarah dalam upaya meningkatkan akurasi dan
generalisasi model.

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

2. Hasil Final Project

Proyek “AutoTotal Card” berhasil menciptakan inovasi luar
biasa dalam industri ritel dengan mengintegrasikan sistem keranjang
penghitung otomatis berbasis deteksi objek. Melalui penerapan
model YOLOv5 yang telah dimodifikasi dengan ResNet, proyek ini
tidak hanya mencapai tingkat akurasi yang superior dibandingkan
YOLOv7, tetapi juga memberikan efisiensi operasional yang
signifikan, meminimalkan antrian, dan meningkatkan kepuasan
pelanggan dengan pengalaman berbelanja yang cepat dan efisien.
Dataset berisi 11 jenis buah dengan total 2043 gambar, masing-
masing kelas memiliki 200 gambar dikumpulkan dari berbagai
sumber termasuk foto di toko buah, gambar internet, dan Roboflow
dalam format YOLOv5. Dengan fokus pada penggunaan e-wallet
dan opsi pemilihan perangkat komputasi, proyek ini memiliki
potensi besar untuk meningkatkan pendapatan toko, sementara
memanfaatkan fitur-fitur seperti pemilihan sumber input, unggah
data sendiri, dan pilihan perangkat komputasi untuk memberikan
pengalaman berbelanja yang inovatif dan memberikan nilai tambah
bagi pemangku kepentingan dalam dunia bisnis retail.

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
1 Kegiatan dari tanggal 14-18 Agustus 2023 saya mengikuti
National Onboarding Peserta Program MSIB Angkatan 5 berisi
mengenai pelepasan mahasiswa magang dan studi independen
bersertifikat yang akan menjalani masa belajar di mitra masing-
masing. Mengikuti Onboarding Peserta Startup Campus Batch 5
yang berisi penjelasan tentang program overview serta general
information (platform, aplikasi pembelajaran, dll). Selanjutnya
mengerjakan soal Initial Assessment yang dibagikan melalui
Google Classroom dimana untuk mengukur pemahaman awal
mengenai materi yang nantinya akan diajarkan selama program
berlangsung yang sesuai dengan silabus kurikulum. Selanjutnya
juga menyimak Sosialisasi Platform Kampus Merdeka melalui
youtube MSIB Kampus Merdeka yang membahas tentang
mengikuti pelatihan dan sosialisasi pengisian logbook.
2 Kegiatan dari tanggal 21-25 Agustus mengikuti onboarding
track Artificial Intelligence dimana bertemu dengan mentor &
fasilitator. Kegiatan mengikuti Live Session 1 AI Foundation
membahas mengenai materi Artificial Intelligence bersama Kak
Nolang. Kegiatan berikutnya mengikuti Live Session 2.1 melalui
zoom membahas tentang Introduction & Basic Python bersama
Kak Rika. Mengikuti mentoring bersama kak haswin membahas
tentang apa itu pengertian tentang AI, Data Science, NLP,
Computer Vision dll. Selanjutnya saya belajar mandiri yang ada
di modul dengan mengerjakan pretest dan post test.
3 Kegiatan dari tanggal 28 Agustus-1 September yang dilakukan
mengikuti personal development session perdana bersama Kak

41
 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.

4 Kegiatan yang dilakukan dari tanggal 4-8 September 2023

mengikuti Cycle Meeting bersama Kak Nitya dan mentoring
bersama Kak haswin. Selanjutnya mengikuti Live Session
membahas tentang Introduction to Data Science, mengenai Data
Understanding, Visualization, & Modelling bersama Kak Rika.
Mempelajari materi tentang Introduction to Big Data & Machine
Learning yang ada di modul. Kegiatan yang dilakukan mengikuti
Live Session membahas tentang Introduction to Big Data &
Machine Learning bersama Kak Aries. Selanjutnya mengikuti
mentoring bersama Kak Haswin membahas tentang Data
Preprocessing.

5 Kegiatan yang dilakukan dari tanggal 11-15 September 2023

mengikuti cycle meeting bersama Kak Nitya dan mengikuti
mentoring bersama Kak Haswin. Selanjutnya mengikuti Live
Session bersama Kak Rika membahas tentang Supervised
Learning. Selanjutnya mengikuti Live Sessionl membahas
mengenai materi Unsupervised Learning bersama Kak Nicholas.
Selanjutnya mengikuti mentoring bersama Kak Haswin
membahas mengenai materi Supervised Learning.

6 Kegiatan yang dilakukan dari tanggal 18-22 September mengikuti

cycle meeting bersama Kak Nitya dan mengikuti mentoring

42
 bersama Kak Rika. Selanjutnya mengikuti meeting untuk main
bareng dan mengikuti webinar yang membahas jurus riset untuk
karier. Kegiatan yang saya lakukan mengikuti Live Session
bersama Kak Rika membahas tentang Deep Learning.
Kendalanya masih ada beberapa materi yang belum dipahami.
Selanjutnya mengikuti mentoring harian bersama Kak Rika
dimana melakukan presentasi Peer To Peer Learning.
Selanjutnya saya mempelajari materi yang ada di modul yang
membahas tentang Deep Learning.

7 Kegiatan yang dilakukan pada tanggal 25-29 September 2023

mengikuti cycle meeting bersama Kak Nitya dan mengikuti
personal development session kedua bersama Kak Mella
membahas People Development Expert & Certified Corporate
Coach. Dan juga menyimak meeting Road to Final Project.
Kegiatan yang dilakukan saya mengikuti Live Session bersama
Kak Nicho untuk belajar tentang Introduction to Computer Vision
& Image Processing. Kemudian kegiatan yang saya lakukan
mengikuti mentoring bersama Kak Rika membahas tentang
Computer Vision. Kemudian mengikuti kegiatan Career Talk
Series kedua membahas tentang How to Stand Out During an
Interview with a Strong CV bersama Kak Vania.

8 Kegiatan yang saya lakukan dari tanggal 2-6 Oktober 2023

mengikuti cycle meeting bersama Kak Nitya dan berdiskusi
dengan kelompok tentang task week 1 road to kick off. Mengikuti
Live Session bersama dengan Kak Haswin untuk membahas
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.

43
 Selanjutnya kegiatan yang saya lakukan mengikuti mentoring
bersama Kak Rika membahas tentang Pytorch.

9 Kegiatan yang saya lakukan dari tanggal 9-13 Sepetember 2023

mengikuti cycle meeting bersama Kak Nitya dan mengikuti AI
Final Project Kick Off untuk membahas project yang nantinya
dikerjakan. Selanjutnya mengikuti Live Session bersama Kak
Nicholas membahas tentang Introduction to Git dan GitHub
Collaboration. Selanjutnya saya mengerjakan assignment 5
tentang citra gambar dan mengikuti mentoring bersama Kak
Haswin membahas tentang Image Segmentasi. Kemudian
mengumpulkan tugas form mentor dan facil feedback.
Selanjutnya akan mengikuti mentoring Final Project (FP).
Kemudian kegiatan yang saya lakukan mengikuti mentoring
Final Project bersama Kak Rika untuk membahas tema project
yang akan dikerjakan oleh tiap tim. Selanjutnya akan mengikuti
Career Talk Series 3.

10 Kegiatan yang saya lakukan daritanggal 16-20 Oktober 2023

mengikuti cycle meeting bersama Kak Nitya. Selanjutnya
membahas project yaitu tentang topik dan judul project yang akan
dibuat. Kemudian belajar materi yang ada di modul tentang
Image Sementation. Kegiatan yang saya lakukan mengikuti
mentoring bersama Kak Rika membahas sekilas project dan
materi. Selanjutnya mengikuti meeting bersama tim untuk
membahas penentuan dataset yang akan digunakan pada project.
Kemudian dilanjutkan dengan mengikuti mentoring Final Project
bersama Kak Haswin membahas dataset yang akan digunakan dan
teknis project nya seperti apa.

11 Kegiatan yang saya lakukan dari tanggal 23-27 Oktober 2023

saya mengerjakan Final Assignment AI dan mengikuti Live
Session membahas tentang Personal Development Session 3:

44
 Building Performing Team bersama Kak Mela. Selanjutnya
mengikuti mentoring Final Project bersama Kak Haswin
membahas materi tentang Computer Vision dan kendala dari
setiap project masing-masing tim. Selanjutnya akan mengikuti
Cycle Meeting bersama Kak Nitya. Selanjutnya saya membahas
project bersama tim. Kegiatan yang saya lakukan membahas
project yang akan dikerjakan bersama tim tentang dataset yang
akan digunakan. Kemudian mengikuti mentoring Final Project
bersama Kak Haswin yang membahas tentang progres masing-
masing tim apa yang sudah dilakukan atau dikerjakan dan
kendalanya.

12 Kegiatan yang saya lakukan dari 30 Oktober-3 November 2023

fokus mengerjakan final project bersama tim yaitu melakukan
pemodelan dengan menggunakan algoritma YOLO. Selanjutnya
mengikuti mentoring Final Project bersama Kak Haswin
membahas tentang deep learning algoritma YOLO. Kemudian
mengerjakan final project bersama tim untuk mengerjakan bagian
modelling. Dimana project yang dibuat yaitu dengan judul “Auto
Total Card Keranjang Penghitung Otomatis” dengan lebih
spesifik untuk ke buah-buahan. Selanjutnya kegiatan yang
dilakukan mengikuti mentoring Final Project bersama Kak
Haswin membahas progres project yang sudah dikerjakan dan
kendalanya.

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.

45
14 Kegiatan yang saya lakukan dari tanggal 13-17 November 2023
mengikuti Career Talk Series 4: AI Special bersama Kak Rika
dan Kak Aries. Selanjutnya mengikuti mentoring final project
membahas terkait materi streamlit bersama Kak Haswin.
Kemudian membahas project bersama tim tentang progres dan
kendalanya.

15 Kegiatan yang dilakukan dari tanggal 20-24 November 2023

mengikuti mentoring bersama Kak Haswin membahas progres
dan kendala. Dimana tim menggunakan YOLOv5 dengan
arsitektur ResNet500. Untuk dataset diambil dari Roboflow
dengan 11 class yaitu ada buah apel, jeruk, mangga, manggis,
strawberry, kelengkeng, nanas, anggur, salak, pisang, dan jambu.
Kemudian mengikuti cycle meeting bersama Kak Nitya.

16 Kegiatan yang dari tanggal 16-27 November 2023 dilakukan

mengikuti Cycle Meeting bersama Kak Nitya. Kemudian
mengikuti Rehearsal to Showcase dan mengikuti mentoring final
project bersama Kak Haswin. Kemudian membahas project
bersama tim untuk melengkapi yang belum dikerjakan seperti
membuat PPT untuk presentasi, Business Model Canvas (BMC),
deployment.

17 Kegiatan yang saya lakukan dari tanggal 4-8 Desember 2023

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.

18 Kegiatan yang dilakukan mengerjakan laporan akhir dan

46
 mengurus konversi sks.
19 Kegiatan yang dilakukan mengerjakan laporan akhir dan
mengurus konversi sks.
20 Kegiatan yang dilakukan mengerjakan laporan akhir dan
mengurus konversi sks.

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

Gambar 1. Sesi live session

2. Dokumentasi Mentoring

Gambar 2. Sesi mentoring

3. Dokumentasi Cycle Meeting

Gambar 3. Sesi cycle meeting

4. Dokumentasi Rapat Tim Final Project

Gambar 4. Sesi rapat tim final project

5. Dokumentasi Dataset Final Project

Gambar 5. Dataset buah

Link dataset:https://app.roboflow.com/finalproject-uucte/keranjang-
deteksi/16
6. Dokumentasi Proses Pemodelan dan Modifikasi Model Final Project

Gambar 6. Kode program import model ResNet

 Gambar 7. Kode program modifikasi ResNet

Gambar 8. Kode program modifikasi pada backbone

Gambar 9.Kode program backbone

7. Dokumentasi Hasil Final Project
 Gambar 10. Hasil deployment

Gambar 11. Deck presentasi

Link deck presentasi:

https://www.canva.com/design/DAF0gqaiBM4/wF7b4IWyKLsN5bwico1
WuQ/edit
Link video:
https://drive.google.com/file/d/12eAYVySzJIBRrIhakdJoGINoz6rko_WW
/view?usp=drivesdk
Link deployment:
https://colab.research.google.com/drive/1tTNMWKBhLJgvIThMfJNbDY
hR1HVYoVLv?usp=sharing
8. Dokumentasi Selection to Showcase & Showcase Final Project
 Gambar 12. Sesi Selection to Showcase

Gambar 13. Sesi Showcase Final Project

9. Dokumentasi AI Graduation

Gambar 14. Sesi Graduation & Farewell Night