Puji syukur saya panjatkan kehadirat Tuhan Yang Maha Esa yang telah
melimpahkan rahmat dan hidayah-Nya, sehingga saya dapat menyelesaikan
program Studi Independen Bersertifikat Kampus Merdeka - Startup Campus
Program Artificial Intelligence Computer Vision dengan baik. Perjalanan dalam
mengikuti program ini hingga selesai tidak terlepas dari berbagai pihak yang
memberi kontribusi dari segi moril maupun materiil. Oleh sebab itu, saya ucapkan
terima kasih kepada:
Kata Pengantar
Daftar Isi
Bab I Gambaran Umum
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
Gambar I.1 Struktur Organisasi Startup Campus - Yayasan Bakti Achmad Zaky
1
Setiap unsur dalam struktur organisasi ini bersifat independen dan
bergerak sesuai dengan tugas masing-masing secara beriringan. Startup Campus
memilih fasilitator terbaik dan berpengalaman agar para peserta bisa mendapatkan
bimbingan selama masa training. Adapun daftar fasilitator Program Artificial
Intelligence Computer Vision:
Kegiatan mentoring Startup Campus diisi oleh para mentor terbaik dan
berpengalaman agar para peserta bisa mendapatkan bimbingan dan saran terbaik
dalam mempersiapkan diri menjadi the future Artificial Intelligence Engineer.
Adapun daftar mentor yang terlibat pada proses pembelajaran di Startup Campus -
Program Artificial Intelligence Computer Vision:
I.2.2 Deskripsi
Startup Campus Batch 5 - Program Artificial Intelligence
Computer Vision merupakan Studi Independen Bersertifikat yang
diselenggarakan oleh Yayasan Bakti Achmad Zaky dan didukung
penuh oleh Kemdikbud Ristekdikti dibawah naungan inisiatif
KAMPUS MERDEKA. Batch 5 akan diselenggarakan dari Agustus
hingga Desember 2023. Program ini dirancang sepenuhnya secara
2
daring untuk mempersiapkan talenta digital - Artificial Intelligence
yang mampu bersaing di era digital.
3
I.2.3 Tujuan
Peserta diharapkan memiliki kompetensi sebagai talenta
digital (Artificial Intelligence), yang mampu berkolaborasi dan
mengerjakan real project sehingga siap berkontribusi dan berkarier
di industri digital. Secara lebih rinci, setelah menyelesaikan studi
independen, peserta diharapkan mampu:
● Memahami dasar Artificial Intelligence (AI).
● Menyelesaikan permasalahan menggunakan pemrograman
Python.
● Menguasai dan menerapkan pemahaman dasar Data Science.
● Menyelesaikan permasalahan menggunakan Machine
Learning & Deep Learning.
● Menyelesaikan permasalahan berkaitan dengan Computer
Vision.
● Memahami dan menerapkan konsep serta model Natural
Language Processing dalam menyelesaikan permasalahan.
● Menguasai pemahaman dasar Artificial Intelligence Life Cycle
dan berkolaborasi di Git.
● Membuat produk Artificial Intelligence.
4
● Data Science: Data Science Introduction, Data
Preprocessing, Data Analysis, Data Visualization, Data
Storytelling, Data Modeling
● Machine Learning and Deep Learning: Introduction to Big
Data, Machine Learning, Model Evaluation, Supervised
Learning, Unsupervised Learning, Reinforcement Learning,
Neural Network, Deep Learning
● Computer Vision: Computer Vision Overview, Image
Processing, 3D Computer Vision, Introduction to Neural
Network Computer Vision, Neural Network Computer Vision
Architecture
● Git Collaboration & AI Life Cycle: Introduction to Git &
GitHub, Git & GitHub Collaboration, AI Cycle Project
● Final Project & Showcase
● Enrichment Material Natural Language Processing:
Introduction to Natural Language Processing, Natural
Language Processing Application, Introduction to Large
Language Model: Transformer
1. Kompetensi Inti
5
solusi yang relevan dan applicable serta mengkomunikasikan
alternatif solusi terhadap pihak terkait.
2. Proses Induksi
6
3. Sistem Pembelajaran
4. Sistem Penilaian
7
b. Keaktifan selama Proses Pembelajaran
c. Mentorship
8
e. Showcase
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.
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.
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.
Learning Duration
90 hours
Learning Resources
Buku bacaan, modul presentasi dari Startup Campus, rekaman
video pembelajaran dari ahli, live session, video dari Youtube
Startup Campus, dan referensi lainnya yang dapat diakses
melalui Learning Management System.
Assessment Method
Tugas individu dan/atau kelompok, keaktifan, kuis
13
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.
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).
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
Learning Details
Pada chapter ini, peserta akan:
1. mempelajari, menjelaskan, dan mendemonstrasikan
kembali cara membuat akun Git/GitHub dan manfaat
menggunakannya;
2. membuat repository dan portofolio di Git/GitHub;
3. berkolaborasi aktif di Git/GitHub; dan
4. mempelajari dan mempraktikkan AI life cycle dalam
membuat dan mengembangkan produk Artificial
Intelligence (AI).
17
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
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
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).
Learning Resources
Buku bacaan, modul presentasi dari Startup Campus, rekaman
video pembelajaran dari ahli, live session, video dari Youtube
Startup Campus, dan referensi lainnya yang dapat diakses
melalui Learning Management System.
Assessment Method
Tugas individu dan/atau kelompok, keaktifan, kuis
20
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
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.
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.
24
● Maharani Ria Sina dari Universitas sebelas Maret Semarang
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.
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.
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.
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.
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.
30
yang lebih baik dalam mendeteksi objek dibandingkan dengan
YOLOv7 dalam konteks uji coba yang dilakukan.
31
Perubahan ini dapat diamati pada gambar (a) menunjukkan model
sebelum menggunakan ResNet, sedangkan gambar (b) menampilkan
model setelah mengadopsi ResNet.
32
Kami memilih untuk menggunakan ResNet (residual
network) dalam proyek kami atas beberapa alasan yang mendasar,
termasuk keuntungan sebagai berikut:
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.
34
Gambar 1. 11. Fitur-fitur pada deployment
Fitur-fitur utama yang dapat diakses pada platform
deployment kami meliputi:
35
Gambar 1. 12. Tampilan fitur for example data
2. Upload Your Own Data
36
Gambar 1. 14. Tampilan total harga
37
Gambar 1. 18. Tampilan fitur our team
3. Select Compute Device
38
kami merangkum latar belakang proyek "AutoTotal Card" sebagai
solusi inovatif untuk meningkatkan pengalaman berbelanja dalam
industri ritel. Kami menyoroti permasalahan antrian, efisiensi
operasional, dan kebutuhan pelanggan yang cepat. Ide proyek ini
memberikan nilai tambah bagi bisnis retail dengan meminimalkan
antrian, meningkatkan efisiensi operasional, dan menciptakan
pengalaman berbelanja yang lebih cepat dan efisien. Terakhir, kami
dokumentasikan dan memberikan credits anggota tim dan supervisor
yang berkontribusi dalam pengembangan proyek ini. Berikut link
video
https://drive.google.com/file/d/12eAYVySzJIBRrIhakdJoGINoz6rko
_WW/view?usp=drivesdk
39
h. Tugas & Kontribusi Individu
1. Ahmad Yudiman Fauzi Tugas Mengumpulkan Data
Set
2. Vindi Sovia Anggita Tugas Deployment
3. Maharani Ria Sina Tugas Mengumpulkan Data Set
4. Kinanthi Putri Sawilopo Tugas Deployment
5. Aditia Taqi Pratama Tugas Modelling
6. Ardis Hibatul Hakim Tugas Modelling
40
Bab II Aktivitas Mingguan
Pada Bagian ini berisi aktivitas mingguan yang dapat diambil dari laporan
mingguan yang sudah dibuat di dalam platform dengan format sebagai berikut
Minggu Kegiatan
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.
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.
43
Selanjutnya kegiatan yang saya lakukan mengikuti mentoring
bersama Kak Rika membahas tentang Pytorch.
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.
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.
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