LAPORAN AKHIR

MERDEKA BELAJAR KAMPUS MERDEKA 2022

AZRIL BAGAS PRATAMA

24010118130102

BANGKIT 2022
Jalur Pembalajaran Machine Learning
Dicoding Indonesia

PROGRAM STUDI S1 MATEMATIKA

DEPARTEMEN MATEMATIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
2022
 DAFTAR ISI

DAFTAR ISI........................................................................................................................ i
1. Ringkasan Kegiatan..................................................................................................... 1
2. Identitas Mahasiswa .................................................................................................... 2
3. Identitas Pembimbing Lapangan ................................................................................. 2
4. Identitas Pembimbing Akademik ................................................................................ 2
5. Identitas Mitra.............................................................................................................. 2
6. Judul Proposal.............................................................................................................. 3
7. Kategori MBKM.......................................................................................................... 3
8. Jadwal Kegiatan........................................................................................................... 3
9. Daftar Mata Kuliah Konversi ...................................................................................... 4
10. Keterkaitan Kegiatan dengan Mata Kuliah Konversi .............................................. 5
6. Lampiran.................................................................................................................... 12
6.1. IRS...................................................................................................................... 12
6.2. Dokumen Teknis ................................................................................................ 13
6.3. Bukti Kelas......................................................................................................... 20

i
1. Ringkasan Kegiatan
Program Merdeka Belajar Kampus Merdeka (MBKM) atau yang biasa dikenal
sebagai Program Kampus merdeka merupakan suatu kebijakan yang diselenggarakan
oleh Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi Republik Indonesia.
Setidaknya terdapat delapan jenis kegiatan MBKM yaitu, Magang, Studi Independen,
Pertukaran Pelajar, Asistensi Mengajar di Satuan Pendidikan, Penelitian, Kegiatan
Kewirausahaan dan Kuliah Kerja Nyata Tematik [1]. Program Bangkit merupakan
pengembangan kompetensi mahasiswa untuk berkarir di dunia teknologi yang
didesain melalui kemitraan Dirjen Pendidikan Tinggi Kemendikbud, Google, Gojek,
Tokopedia, Traveloka, dan mitra perguruan tinggi.

Bangkit akan menawarkan tiga topik pembelajaran lain agar mahasiswa siap untuk
berkarier di bidang teknologi, yaitu Machine Learning, Pemrograman Android, atau
Cloud Computing. Di setiap jalur pembelajaran, peserta juga akan belajar tentang
keterampilan penting yang berguna untuk mengembangkan karir masa depan mereka,
seperti design thinking, kepemimpinan, komunikasi, entrepreneurship dan
keterampilan presentasi.

Untuk machine learning path, Peserta akan memperoleh sertifikat kompetensi di

setiap kelas di dalam Learning Path Machine Learning Developer jika peserta berhasil
lulus dari setiap ujian/penilaian yang diadakan untuk setiap kompetensi. Setelah
mengikuti program ini, peserta juga dipersiapkan untuk mengikuti ujian sertifikasi
global TensorFlow Developer dari Google yang dapat diambil setelah mengikuti
kegiatan Studi Independen ini. Pada project akhir, peserta akan dibagi menjadi
kelompok, dimana satu kelompok terdiri atas 5-6 orang dengan tema yang ditentukan
oleh masing-masing kelompok dan harus mendapatkan persetujuan dari mentor.

Berlangsung selama Februari – Juni 2022, membuat program ini memiliki banyak
kegiatan. Berdasarkan buku panduan, durasi program yaitu selama 20 minggu (efektif
96 hari) dengan total jam kumulatif yaitu 937 jam terdiri atas 34 jam matrikulasi, 381
jam pembelajaran machine learning learning path, dan 556 jam aktivitas terkait
pembelajaran non-teknis.

1
2. Identitas Mahasiswa
(a) Nama : Azril Bagas Pratama
(b) NIM : 24010118130102
(c) Program Studi : S1 Matematika
(d) Semester : 8 (Delapan)
(e) Dosen Wali : Solikhin, S.Si., M.Si

3. Identitas Pembimbing Lapangan

(a) Nama : Dr. Susilo Hariyanto, S.Si., M.Si.
(b) NIP : 197410142000121001
(c) Program Studi : S1 Matematika

4. Identitas Pembimbing Akademik

(a) Nama : Farikhin, S.Si., M.Si., Ph.D
(b) NIP : 197312202000121001
(c) Program Studi : S1 Matematika

5. Identitas Mitra
Bangkit didesain untuk mempersiapkan peserta dengan kecakapan (skills) yang

relevan dan dibutuhkan berdasarkan sertifikasi teknikal. Tahun ini Bangkit kembali

menyelenggarakan 3 (tiga) alur belajar multidisiplin - Machine Learning, Mobile

Development (MACHINE), dan Cloud Computing. Dengan mengikuti Bangkit,

peserta akan memiliki pengalaman dan terekspos dengan serba-serbi karir di industri

dan pekerjaan di ekosistem teknologi Indonesia.

Bangkit merupakan program pembelajaran yang dipimpin oleh Google dengan

dukungan GoTo, Traveloka, dan DeepTech Foundation. Dengan dukungan Kampus

Merdeka, Bangkit akan menawarkan 3.000 tempat untuk mahasiswa Indonesia untuk

memastikan mereka relevan dengan kecakapan yang dibutuhkan oleh industri pada

semester genap, tahun 2021/2022.

Adapun struktur organisasi merupakan sebuah garis penugasan formal yang

menunjukkan alur tugas dan tanggung jawab setiap anggota perusahaan, perusahaan

2
serta hubungan antar pihak dalam organisasi yang bekerja sama untuk mencapai suatu

tujuan organisasi. Struktur organisasi dari Bangkit Academy.

6. Judul Proposal
PROPOSAL PROGRAM MERDEKA BELAJAR : KAMPUS MERDEKA

7. Kategori MBKM
Studi Independen

8. Jadwal Kegiatan
Tanggal Kegiatan

7/2/2022 Matriculation, English Pre-test

14/2/2022 Dicoding's Python

21/2/2022 IT Automation with Python & ILT Tech 1

28/2/2022 IT Automation with Python, ILT SS 1

IT Automation with Python, ILT Tech 2, English - 1 Spoken

7/3/2022
Correspondence, Assignment SS 1

14/3/2022
IT Automation with Python & Mathematics for Machine Learning, ILT

3
 SS 2 Professional Branding

21/3/2022 Mathematics for Machine Learning & ILT Tech 3, Assignment SS 2

TF Developer Professional Certificate, ILT SS 3 critical thinking and

28/3/2022
Assignment SS 3

TF Developer Professional Certificate & ILT Tech 4, English - 2

4/4/2022
Expression Opinion

TF Developer Professional Certificate & Structuring Machine Learning

11/4/2022
Project, ILT SS 4 Adaptabilty

18/4/2022 TF Data and Deployment & ILT Tech 5, Assignment SS 4

25/4/2022 TF Data and Deployment, ILT SS 5

09/05/2022 Capstone Project, Assignment SS 5

16/5/2022 Capstone Project, English - 3 Business Presentation

23/5/2022 Capstone Project

30/5/2022 Capstone Project

06/06/2022 Capstone Project

13/06/2022 Capstone Project

TensorFlow Certification Preparation, English Post-test, ILT SS 6 &

20/06/2022
Assignment

27/06/2022 TensorFlow Certification Preparation & ILT Tech 6

04/07/2022 expert class, ILT SS 7

9. Daftar Mata Kuliah Konversi

a. Metode Statistika (AMT21-325 / 3 SKS / Semester Genap Wajib)
b. Persamaan Differensial Parsial (AMT21-346 / 3 SKS / Semester Genap Wajib)
c. Struktur Data (AMT21-444 / 3 SKS / Semester Genap Pilihan)
d. Matematika Real Problem Solving (AMT21-452 / 3 SKS / Semester Genap
Pilihan)
e. Aplikasi Komputer (AMT21-445 / 3 SKS / Semester Gasal Pilihan)

4
 f. Kalkulus IV (AMT21-341 / 3 SKS / Semester Genap Wajib)

10. Keterkaitan Kegiatan dengan Mata Kuliah Konversi

a. Metode Statistika (AMT21-325 / 3 SKS / Semester Genap Wajib)
Statistika merupakan ilmu dasar dari ilmu machine learning. Perkembangan ilmu
statistika dan machine learning ini tentunya karena tidak terlepas dari faktor
utamanya, yaitu data. Machine learning mempunyai setidaknya dua tujuan utama,
yaitu pemecahan masalah dalam memprediksi masa depan (unobserved event)
dan/atau memperoleh ilmu pengetahuan (knowledge discovery). Statistical
machine learning mengacu pada teknik untuk memprediksi masa depan dan
mendapatkan pengetahuan dari data secara rasional. Untuk dapat mendapatkan
tujuan tersebut, statistical machine learning dapat menjadi alat atau metode yang
tepat. Statistika berperan sebagai basis pembelajaran yang memanfaatkan teori
statistik untuk melakukan inferensi dan interpretasi dari model, sedangan machine
learning fokus pada penggunaan model untuk memprediksi data baru.
Pada kegiatan bangkit khususnya machine learning, saya belajar pentingnya
statistika dalam machine learning. Dalam course Mathematics For Machine
Learning dijelaskan bagaimana data memiliki pengaruh terhadap model. Seperti
Mean, Median dan Modus dari suatu data untuk menormalisasi atau mengisi nilai
yang kosong dari suatu data. Selain itu dijelaskan pentingnya varians dan
distribusi pada sebuah data. Karena di machine learning tidak masalah pada model
jika memiliki data yang berbeda asal distribusi dari data tersebut sama. Variance
adalah variabel dari prediksi model untuk data tertentu dimana memberikan
informasi mengenai perserbaran data. Model yang memiliki variance tinggi sangat
memperhatikan hanya pada train data. High variance model, perform baik di train
data. Tetapi jika disuguhkan data baru yang belum pernah ditemukan di train data.
Model tersebut tidak dapat mengeneralisasikan secara baik dari identifikasi data
baru tersebut. Alhasil model memprediksi dengan keliru. Data yang memiliki Bias
yang tinggi dengan variance yang rendah akan menjadi underfitting. Sementara
jika dengan bias tinggi dan juga high variance menjadikan prediksi sangat tidak
tepat. Jika biasnya rendah dan variancenya tinggi akan menimbulkan overfitting
dimana dengan data train, perform baik tapi ketika diberikan data baru, tidak dapat
memprediksi. Pastinya yang paling baik jika bias rendah dan variance rendah.
Pada proyek akhir mahasiswa akan membuat model machine learning yang
menggunakan ilmu statistika dasar ataupun lanjutan untuk membuat modelnya
lebih efisien.
b. Persamaan Differensial Parsial (AMT21-346 / 3 SKS / Semester Genap Wajib)
Persamaan diferensial parsial adalah persamaan yang memuat satu atau lebih
turunan parsial dengan dua atau lebih variabel bebas. Orde dari PD parsial adalah
tingkat tertinggi dari derivatif yang ada dalam PD. Derajat dari PD parsial :
pangkat tertinggi dari turunan tingkat tertinggi yang ada dalam PD. PD parsial
dikatakan linier jika hanya memuat derajad pertama dari variabel - variabel
bebasnya dan derivatif - derivatif parsialnya. Umumnya PDP digunakan untuk

5
permasalahan fisika seperti penjalaran suara dan panas, elektrostatika,
elektrodinamika, aliran fluida, elastisitas, atau lebih umum segala macam proses
yang terdistribusi dalam ruang, atau terdistribusi dalam ruang dan waktu.
Seiring perkembangan zaman dan teknologi, menggunakan machine learning
untuk menyelesaikan masalah menjadi lebih mudah. Salah satunya untuk
menyelesaikan masalah persamaan differensial parsial. Umumnya metode yang
digunakan ialah Jaringan Saraf Tiruan. Banyak penilitian mengenai hal ini karena
Jaringan saraf tiruan (ANN) mampu mengaproksimasikan solusi lebih cepat
dibandingkan penyelesaian PDE tradisional, Selain itu jika telah selesai ditraining
maka model mampu menyelesaikan model yang sefamili. Selain sebagai
buzzword, penggunaan ANN terbukti mampu menyelesaikan masalah PDP.
Bangkit sendiri memberikan komunitas untuk peserta berdiskusi dan mempelajari
model – model dan jurnal mengenai machine learning yang ada di dunia nyata.
Sehingga saya dan beberapa teman membahas bagaimana model dapat
menyelesaikan masalah PDP dengan menggunakan ANN lebih cepat. Pada kelas
mathematics for machine learning, penggunaan PDP untuk mengoptimasi dari
sebuah model. Berdasarkan journal Fourier Neural Operator for Parametric Partial
Differential Equations karya Zongyi Li tahun 2020, saya mempelajari model yang
digunakan untuk menyelesaikan berbagai masalah PDE seperti untuk
menyelesaikan masalah navier stokes. Machine learning mengambil solusi disini
untuk mempercepat penyelesaian masalah navier stokes. Pada journal ini model
dapat menyelesaikan formula jenis navier – stokes. Contohnya seperti dibawah :

Kolom pertama merupakan kondisi awal dari masalah likuid, kolom kedua
merupakan bukti likuid bergerak di dunia nyata, kolom ketiga prediksi
menggunakan ANN untuk menyelesaikan masalah tersebut. ANN umumnya
dilatih untuk mengaproksimasi fungsi antara input dan ouput yang didefinisikan
pada ruang fourier, yang umumnya digunakan untuk memplot masalah gelombang
frekuensi. Selain itu telah terbukti penggunaan ANN untuk menyelesaikan
masalah PDE dapat dijelaskan dengan contoh gambar berikut

6
Bangkit memberikan kesempatan bagi saya untuk belajar lebih mendalam tentang
machine learning dan penerapannya untuk dunia penelitian atau dunia terapan.
Namun tidak banyak orang yang mempelajari model PDE karena tidak semua
orang yang mengikuti bangkit memiliki background matematika yang kuat.
c. Struktur Data (AMT21-444 / 3 SKS / Semester Genap Pilihan)
Struktur Data merupakan cara penyimpanan dan pengorganisasian data - data pada
memori komputer maupun file secara efektif sehingga dapat digunakan secara
efisien termasuk operasi-operasi di dalamnya. Matakuliah ini menggunakan
penyimpanan dengan struktur data array, struct, tree, dan file menggunakan
teknik-teknik seperti stack, queue, dan linked list serta hashing. Struktur data
sangat erat kaitannya dengan bahasa pemrograman seperti JavaScript, SQL,
Python, dan lain sebagainya. Struktur data adalah mata kuliah yang berisi dasar
dan prinsip perepresentasian informasi dalam pemrograman yang berorientasi
obyek.
Struktur data pada program bangkit terdapat materi Structuring Machine Learning
Projects, disana peserta belajar bagaimana mengolah, mencari dan menerapkan
struktur data yang baik sehingga mampu mengefisienkan sebuah model.
Bagaimana suatu model dapat memiliki ukuran yang sesuai dengan spesifikasi
kebutuhan dan mampu digunakan di device yang menjadi tujuan. Pada python
sendiri struktur data yang umumnya digunakan ialah berupa list, class, set, tuple
dan dictionary. Yang nantinya akan dioperasikan sesuai kebutuhan. List adalah
salah satu struktur data dalam bahasa pemrograman python yang mampu
menyimpan kumpulan data (objek/nilai), yang disebut elemen list. Elemen pada
list tersimpan menurut urutan (sequence) tertentu. Bersifat fleksibel dan mutable.
Tuple juga merupakan struktur data yang digunakan untuk menyimpan satu atau
lebih data di dalamnya. Perbedaanya terletak pada kemampuan untuk melakukan
perubahan anggota. Anggota pada tuple tidak dapat diubah sebagian, akan tetapi
dapat diubah keseluruhan dengan memanfaatkan melakukan inisiasi variabel
dengan nilai yang baru. Inisiasi variabel tuple dilakukan dengan menggunakan
tanda kurung ‘()’. Dengan menerapkan struktur data yang baik mempermudah dan
memahami masalah yang kompleks, selain itu membantu model dan algoritm
bekerja lebih efisien.
d. Matematika Real Problem Solving (AMT21-452 / 3 SKS / Semester Genap
Pilihan)
7
Pemecahan masalah (problem solving) dalam matematika adalah suatu proses
kognitif yang kompleks untuk mengatasi suatu masalah dan memerlukan sejumlah
strategi dalam menyelesaikannya (Surya, 2011). Melalui Problem solving dalam
matematika akan diperoleh pengalaman dalam menyelesaikan masalah yang tidak
rutin (tidak biasa) dengan menggunakan pengetahuan yang telah ada dalam
struktur kognitif.
Mata kuliah MRPS merupakan mata kuliah pilihan yang berisi aplikasi dari
konsep -konsep, teori, rumus, dalil matematis untuk menyelesaikan masalah nyata.
Karakteristik mata kuliah ini terletak pada sistem pembelajarannya yang berbasis
situasi/fenomena di dunia nyata. Mahasiswa akan mempunyai pengalaman belajar
menganalisis situasi riil di dunia nyata, mengidentifikasi permasalahan nyata dan
memformulasikannya menjadi permasalahan matematika, yang kemudian
menyelesaikannya dengan menerapkan konsep-konsep, teori, dalil, rumus
matematika yang telah dipelajarinya di mata kuliah lain, serta menginterpretasikan
solusi matematika kepada permasalahan semula dan mengkontruksikan
kesimpulan.
Pada program bangkit, peserta dibagi menjadi kelompok yang kemudian membuat
proyek akhir untuk menciptakan aplikasi dalam menyelesaikan masalah yang ada
di masyrakat. Untuk tahun ini proyek akhir dibagi menjadi dua, product capstone
dan company capstone. Dimana untuk produk peserta akan membuat sebuah
aplikasi yang nantinya akan dipilih untuk didanai oleh KEMENDIKBUD,
sedangkan untuk company capstone akan diberikan sebuah tema dari perusahaan
yang akan menyelesaikan masalah dari perusahaan tersebut. Saya mendapatkan
product capstone, yang mana saya membuat aplikasi untuk penghubung makanan
terdekat untuk mengatasi masalah mencari makanan tradisional terdekat. Saya
menggunakan machine learning untuk masalah image recognition, dengan
menggunakan Jaringan Saraf Tiruan dan metode transfer learning. Jaringan saraf
tiruan atau Artificial Neural Network (ANN) adalah teknik supervised machine
learning yang mensimulasikan mekanisme belajar dari organisme hidup. Fondasi
dasar dari neural network adalah sistem jaringan pada makhluk hidup. Terdiri dari
neuron (titik) yang menyimpan, memproses informasi dan menghubungkan
neuron menggunakan koneksi (sinapsis) buatan. ANN terdiri dari unit - unit
komputasi, yang disebut neuron, yang terhubung dan tersusun menjadi lapisan –
lapisan. ANN memiliki tiga bagian, Input Layer, Output Layer, dan Hidden Layer.
Input layer merupakan lapisan dari ANN yang berisi input akan digunakan untuk
menghasilkan sebuah prediksi. Hidden Layer dinamakan demikian dikarenakan
nilai pada lapisan – lapisan tersebut tersembunyi saat proses pelatihan ANN.
Lapisan terakhir dari ANN dinamakan output layer yang menghasilkan sebuah
output. Output dari lapisan ini merupakan hasil prediksi dari model ANN. Jenis
layer yang saya gunakan berupa convolution network. Secara garis besarnya,
CNN memanfaatkan proses konvolusi dengan menggerakan sebuah kernel
konvolusi (filter) berukuran tertentu ke sebuah gambar, komputer mendapatkan
informasi representatif baru dari hasil perkalian bagian gambar tersebut dengan
filter yang digunakan. Pada umumnya konvolusi menggunakan operasi matriks.
Secara garis besar CNN bekerja sebagai berikut :

8
Sedangkan Transfer Learning ialah metode untuk menggunakan model orang lain
yang telah dilatih untuk permasalahan yng berbeda. Contoh model transfer
learning ialah Xception, Efficient Net, U-Net, dan lain lain. Penggunaan transfer
learning selain untuk mempercepat pembuatan model, kita dapat memikirkan
bagaimana menyesuaikan ukuran sehingga model yang dibuat dapat bekerja pada
mesin yang dituju.
Selain itu untuk machine learning path memiliki ujian setiap pembelajarannya
dengan menggunakan data berasal dari dunia nyata, seperti contohnya untuk
memprediksi apakah dengan input sebuah kalimat maka dapat menghasilkan
kalimat tersebut bersifat sarkasme atau tidak dengan menggunakan metode
reduksi dimensi yang disebut PCA. PCA pada dasarnya merupakan dasar dari
analisis data multivariat yang menerapkan metode proyeksi. Teknik analisis ini
biasanya digunakan untuk meringkas tabel data multivariat dalam skala besar
hingga bisa dijadikan kumpulan variabel yang lebih kecil atau indeks ringkasan.
Dari situ, kemudian variabel dianalisis untuk mengetahui tren tertentu, klaster
variabel, hingga outlier.
e. Aplikasi Komputer (AMT21-445 / 3 SKS / Semester Gasal Pilihan)
Aplikasi komputer merupakan matakuliah pilihan dimana mahasiswa membuat
dan mengoperasikan suatu aplikasi pada komputer. Pengertian aplikasi komputer
adalah jenis program komputer yang dibuat sesuai dengan bahasa pemrograman
dan digunakan untuk berbagai kebutuhan yang diperlukan. Tentukan diperlukan
bahasa pemrograman untuk menciptakan sebuah aplikasi dalam komputer. Bahasa
pemrograman, atau sering diistilahkan juga dengan bahasa komputer atau bahasa
pemrograman komputer, adalah instruksi standar untuk memerintah komputer.
Bahasa pemrograman ini merupakan suatu himpunan dari aturan sintaks dan
semantik yang dipakai untuk mendefinisikan program komputer. Dalam bangkit
peserta diajarkan menggunakan bahasa programming untuk setiap learning path.
Untuk machine learning khususnya diajarkan menggunakan python.
Python adalah bahasa pemrograman tujuan umum yang ditafsirkan, tingkat tinggi.
Dibuat oleh Guido van Rossum dan pertama kali dirilis pada tahun 1991. Python
dipilih oleh bangkit karena banyaknya alat dan komunitas machine learning pada
pemrograman python. Google sendiri yang menjadi kerja sama utama dengan
bangkit memiliki sertifikasi Tensorflow yang sangat penting dalam
profesionalisme seorang ahli machine learning. TensorFlow adalah library yang
dikembangkan oleh google dan merupakan salah satu library yang paling populer
serta banyak digunakan untuk mengembangkan dan menerapkan Machine

9
Learning dan algoritma lain yang memiliki banyak operasi matematika untuk
dilakukan. Sehingga bangkit memberikan sertifikat tentang pemrograman python
dan tensorflow.
Sebagai tugas akhir, peserta akan dibagi menjadi kelompok dan membuat program
di android dan di komputer. Program tersebut harus menerapkan learning path dari
bangkit yaitu machine learning, android, dan cloud computing. Kemudian akan
dipilih menjadi 15 besar untuk mendapatkan pendanaan dari Kemendikbud.
f. Kalkulus IV (AMT21-341 / 3 SKS / Semester Genap Wajib)
Kalkulus 4 merupakan matakuliah lanjutan dari kalkulus 3, dengan materi tentang
kalkulus vektor dan kalkulus garis. Dalam machine learning penggunaan kalkulus
sangat penting dalam tujuan optimasi. gradien descent / penurunan gradien yaitu
adalah algoritma pengoptimalan untuk menemukan fungsi minimum yang bisa
kalian tentukan secara mudah melalui penurunan sebuah function. Dimana fungsi
yang diguanakan dalam machine learning ini adalah fungsi loss atau fungsi biaya.
Sehingga dapat menilai suatu model telah mencapai titik minimum optima atau
tidak.
Dalam kegiatan bangkit, saya belajar mengenai hal tersebut dalam kelas Math For
Machine Learning. Di pembelajaran ini selain belajar kalkulus 3 saya belajar
mengenai kalkulus 4, khususnya fungsi vektor dan gradient vektor. Seperti
masalah ini

Gambar diatas merupakan grafik dari Sum of Squared Error (SSE) yang berasal
dataset dengan w0, w1 ialah variable dalam suatu model. Dengan menggunakan
algoritma gradient descent akan dicari minimum optima pada permukaan error.
Secara dua dimensi dapat digambarkan sebagi berikut

10
Jika fungsi menggunakan banyak input maka menggunakan konsep turunan partial
pada suatu vektor untuk dapat memperbarui berat (weights) secara independen.
Untuk buku panduan yang diberikan dari bangkit yaitu MATHEMATICS FOR
MACHINE LEARNING karya Marc Peter, dijelaskan juga materi kalkulus vektor
seperti berikut

Demikian laporan akhir ini saya buat sebenar-benarnya sesuai dengan kegiatan
MBKM yang saya laksanakan dan sebagai salah satu syarat dan pertimbangan
untuk memperoleh nilai mata kuliah konversi yang saya ajukan.
Semarang, 30 Juni 2022
Mengetahui Hormat Kami
Dosen Pembimbing Akademik

Farikhin, S.Si., M.Si., Ph.D. Azril Bagas Pratama

NIP. 197312202000121001 NIM. 24010118130102

11
6. Lampiran
6.1. IRS

12
6.2. Dokumen Teknis

13
14
15
16
17
18
19
6.3. Bukti Kelas

20
21