https://drive.google.com/file/d/1SOQY22pJGq8twOkYLytgy3FJEieIZk70/view?usp=sharing

BAB 3: Pengenalan Google Teachable Machine (Teori) Tujuan Pembelajaran

Peserta didik memahami konsep dasar pengenalan gambar, suara, dan pose menggunakan Google Teachable Machine sebagai pengantar Machine Learning sederhana, serta perbedaan antara data training dan prediksi.

Jumlah Pertemuan: 2

Peta Konsep

 

Apersepsi

Pernahkah kalian perhatikan bagaimana HP kalian bisa mengenali wajah kalian saat membuka kunci, atau bagaimana Instagram bisa secara otomatis menambahkan filter ke wajah kalian? Itu semua adalah contoh bagaimana komputer "belajar" dan "melihat" seperti kita. Di bab ini, kita akan belajar tentang alat ajaib bernama Google Teachable Machine yang memungkinkan kita "mengajari" komputer melakukan hal-hal pintar seperti itu!

Penjelasan Konsep (teori) Apa itu Google Teachable Machine?

 

Bayangkan jika kalian bisa “mengajari” komputer untuk mengenali wajah teman, membedakan suara tepuk tangan dari suara kucing, atau bahkan mengenali pose tubuh saat kalian sedang berdiri atau duduk — semuanya tanpa perlu menulis kode pemrograman!

Nah, inilah kehebatan dari Google Teachable Machine.

Google Teachable Machine adalah alat berbasis web dari Google yang memungkinkan siapa saja — termasuk kalian! — untuk membuat model pembelajaran mesin (Machine Learning) secara mudah dan menyenangkan.

Kalian hanya perlu memberikan contoh-contoh data (seperti gambar, suara, atau gerakan), dan komputer akan belajar mengenali pola dari data tersebut. Tidak perlu jadi ahli komputer atau programmer untuk memulainya!

Mengapa Belajar Machine Learning (ML) Itu Penting?

Coba perhatikan hal-hal di sekitar kalian:

●    HP yang bisa membuka kunci hanya dengan wajah.

●    Aplikasi kamera yang secara otomatis mengenali wajah dan memberi filter.

●    Asisten virtual seperti Google Assistant atau Siri yang bisa menjawab pertanyaan kalian.

Semua itu bekerja menggunakan teknologi yang disebut Machine Learning (ML). Tapi bagaimana caranya komputer bisa "belajar"?

Bagaimana Cara Kerja Machine Learning?

Kita akan mulai dengan contoh sederhana:

Mengajarkan komputer membedakan antara apel dan jeruk.

Kalau tanpa Machine Learning:

Kita harus membuat aturan manual, contohnya:

●    “Kalau buahnya bulat dan merah, itu apel.”

●    “Kalau kulitnya oranye dan kasar, itu jeruk.”

Tapi… bagaimana jika ada apel hijau atau jeruk yang halus? Aturan kita bisa gagal.

Nah, dengan Machine Learning:

Komputer belajar sendiri dari banyak contoh, tanpa perlu kita kasih aturan satu per satu.

Langkah-Langkah Proses Machine Learning:

1.   Mengumpulkan Data Training

○    Kita berikan banyak contoh ke komputer.

○ Contohnya: 100 gambar apel (merah, hijau, besar, kecil) dan 100 gambar jeruk.

○ Ini disebut data training.

 

2.   Training Model

○    Komputer mempelajari pola dari data tersebut.

○ Misalnya: warna, bentuk, tekstur, dan lain-lain.

○ Komputer membangun “model” berdasarkan pola-pola itu.

 

3.   Menguji Model dengan Data Baru (Prediksi)

○    Kita beri gambar buah yang belum pernah dilihat komputer.

○ Komputer menebak: ini apel atau jeruk?

○ Proses ini disebut prediksi atau inference.

 

Perbedaan Penting

Istilah

Penjelasan

Data Training

Data awal yang digunakan untuk melatih komputer. Semakin beragam dan jelas, hasil belajarnya makin bagus.

Prediksi

(Inference)

Saat model yang sudah terlatih mencoba mengenali data baru dan memberikan hasil tebakan.

Jenis Proyek di Google Teachable Machine

Setelah membukahttps://teachablemachine.withgoogle.com, kalian akan menemukan tiga jenis proyek seru. Masing-masing punya kegunaan yang berbeda:

1.   Image Project

○    Untuk mengenali gambar.

○ Contoh: komputer mengenali ekspresi wajah atau benda di sekitar.

 

2.   Audio Project

○    Untuk mengenali suara.

○ Contoh: suara tepuk tangan, tawa, atau suara binatang.

 

3.   Pose Project

○    Untuk mengenali gerakan atau posisi tubuh.

○ Contoh: saat berdiri, jongkok, mengangkat tangan.

 

Kesimpulan Seru!

Dengan Google Teachable Machine, kalian bisa:

●    Mengerti dasar-dasar bagaimana komputer bisa belajar seperti manusia.

●    Bereksperimen langsung membuat model AI.

●    Merasakan langsung serunya dunia teknologi cerdas.

Siap jadi pelatih untuk komputer?

Mari kita mulai petualangan seru di dunia Machine Learning!

 

Contoh Kasus atau Ilustrasi Kasus 1: Mengenali Hewan Peliharaan: Si Kucing Miko dan Si Anjing Bimo

Proyek: Image Project

Tujuan: Melatih komputer mengenali hewan yang berbeda berdasarkan gambar.

Ilustrasi:

Bayangkan kamu punya dua sahabat berbulu: Miko si kucing lucu dan Bimo si anjing setia. Saat kamu pergi sekolah, kamu penasaran siapa yang paling sering muncul di depan kamera. Nah, kamu bisa melatih komputer untuk mengenali Miko dan Bimo hanya dengan foto mereka!

Kamu kumpulkan banyak foto Miko dan Bimo dari berbagai sudut dan pencahayaan, lalu masukkan ke Teachable Machine. Setelah model dilatih, kamu tinggal tunjukkan gambar baru, dan komputer akan menebak: “Itu Miko!” atau “Itu Bimo!”

Kasus 2: Mengenali Ekspresi Wajah: Senyum vs Sedih

Proyek: Image Project

Tujuan: Komputer membedakan wajah senyum dan wajah sedih.

Ilustrasi:

Kamu dan temanmu sedang bermain game ekspresi! Sekarang, giliran komputer yang jadi penebak. Kumpulkan foto wajah teman-teman saat mereka tersenyum dan saat mereka menunjukkan ekspresi sedih.

Masukkan semua gambar itu ke Teachable Machine dalam dua kelas: "Senyum" dan "Sedih". Setelah dilatih, komputer bisa jadi juri lomba ekspresi: cukup tunjukkan wajahmu, dan dia bisa bilang: "Wah, kamu lagi sedih, ya?" atau "Senyum cerah banget hari ini!"

Kasus 3: Membedakan Suara: Meong vs Gonggong

Proyek: Audio Project

Tujuan: Komputer membedakan suara kucing dan anjing.

Ilustrasi:

Bayangkan kamu punya alat pendeteksi hewan otomatis di rumah. Kalau terdengar suara “meong”, artinya kucing sedang kelaparan. Kalau terdengar “gonggong”, mungkin ada tamu datang!

Dengan Google Teachable Machine, kamu bisa merekam suara meong dari beberapa kucing dan suara gonggongan dari anjing. Setelah data dilatih, komputer bisa menebak suara baru: “Itu suara kucing!” atau “Anjing lagi menggonggong!”

Kasus 4: Mengenali Gerakan: Duduk vs Berdiri

Proyek: Pose Project

Tujuan: Komputer membedakan apakah seseorang duduk atau berdiri.

Ilustrasi:

Bayangkan kamu sedang membuat sistem otomatis di ruang kelas: kalau siswa berdiri, lampu menyala, kalau duduk, lampu mati.

Dengan menggunakan kamera, kamu bisa melatih komputer mengenali dua pose: duduk dan berdiri. Kamu minta teman-teman bergaya sambil direkam. Setelah dilatih, komputer bisa mendeteksi secara otomatis siapa yang sedang duduk dan siapa yang sedang berdiri!

Kasus 5: Mengenali Isyarat Tangan: "Stop!" dan "Lanjut!"

Proyek: Image Project

Tujuan: Komputer mengenali sinyal tangan tertentu.

Ilustrasi:

Bayangkan kamu jadi pengatur lalu lintas mini! Tangan ke atas artinya “STOP!”, dan tangan ke depan artinya “LANJUT!”.

Kamu bisa mengajari komputer mengenali isyarat tangan ini dengan mengambil banyak gambar pose tangan saat "stop" dan saat "lanjut". Setelah dilatih, kamu bisa gerakkan tanganmu ke depan kamera dan komputer akan langsung merespon: “Lanjutkan!” atau “Berhenti dulu!”

Kasus 6: Mengenali Suasana Ruangan: Terang vs Gelap

Proyek: Image Project

Tujuan: Komputer membedakan kondisi pencahayaan ruangan.

Ilustrasi:

Kamu ingin membuat alarm otomatis yang menyala saat ruangan tiba-tiba jadi gelap. Caranya? Foto-foto ruangan saat terang dan saat gelap (bisa dimatikan lampu atau tutup jendela).

Masukkan foto-foto ini ke dalam dua kelas di Teachable Machine: “Terang” dan “Gelap”. Setelah model dilatih, komputer bisa menebak kondisi cahaya hanya dari satu gambar ruangan!

 

Contoh Soal dan Pembahasan

Soal:

Apa fungsi utama dari tombol "Train Model" di Google Teachable Machine? Pembahasan: Tombol "Train Model" berfungsi untuk memulai proses pembelajaran pada model AI. Saat Anda mengklik tombol ini, Google Teachable Machine akan mengambil semua Data Training yang telah Anda kumpulkan untuk setiap kelas, menganalisisnya, dan menemukan pola-pola atau fitur-fitur unik yang membedakan satu kelas dari kelas lainnya. Hasil dari proses training ini adalah sebuah "model" yang siap digunakan untuk melakukan Prediksi terhadap data baru. Ibarat seorang guru, tombol "Train Model" adalah saat guru itu sedang mengajari siswanya dari semua contoh yang diberikan.

Soal:

Apa fungsi tombol "Train Model" di Google Teachable Machine?

Jawaban:

Untuk memulai proses belajar AI dari data yang telah dikumpulkan. Tombol ini membuat komputer memproses semua data training dan mengenali pola.

 

Soal:

Apa perbedaan antara Data Training dan Data Prediksi?

Jawaban:

●    Data Training: Digunakan untuk melatih model AI agar mengenal pola dari data.

●    Data Prediksi: Data baru yang belum dikenali, digunakan untuk menguji apakah AI bisa menebak dengan benar.

 

Soal:

Jika kamu ingin mengenali suara bel sepeda dan suara lonceng sekolah, proyek apa yang digunakan?

Jawaban:

Audio Project. Karena proyek ini khusus untuk mengenali jenis suara.

 

Soal:

Mengapa data training yang beragam penting?

Jawaban:

Agar model AI bisa mengenali banyak variasi data di dunia nyata dan tidak hanya menghafal satu jenis gambar/suara saja.

 

Fakta Menarik / Fun Facts

Dulu, hanya para ilmuwan dan peneliti yang bisa membuat AI. Tapi sekarang, dengan alat seperti Teachable Machine, siapa pun bisa "mengajari" AI, bahkan mengenali kucing dan anjing hanya dengan beberapa klik! Ini menunjukkan betapa mudahnya AI semakin bisa diakses oleh semua orang.

 

Tips Belajar atau Tips Cepat Menghafal

Ingat analogi: "Kita Ajar Komputer dengan Contoh, Komputer Belajar, Lalu Dia Bisa Menebak!" Proses ini adalah inti dari Machine Learning.

Mind Mapping

 

 

Cerita Mudah Diingat:

Bayangkan kalian sedang di kelas komputer, dan saya kasih banyak gambar apel dan jeruk ke komputer—ada yang merah, kuning, oranye, besar, kecil, semuanya! Komputer melihat satu per satu dan mulai belajar membedakan mana apel, mana jeruk. Setelah belajar cukup banyak, saya tunjukkan gambar baru dan tanya, "Ini buah apa, ya?" Komputer langsung jawab, "Itu apel!" Nah, itulah yang disebut proses prediksi—komputer menebak berdasarkan apa yang sudah dipelajari sebelumnya. Seru, kan?

 

Tips Cepat Menghafal:

●    Gunakan singkatan: TIP = Training-Inference-Prediction ● Gabungkan belajar dengan gambar atau video.

●    Latihan langsung membuat proyek kecil.

 

 

Aktivitas Siswa Aktivitas 1: Menonton Video Tutorial tentang Google Teachable Machine

1.   Akses situs Google Teachable Machine:teachablemachine.withgoogle.com

2.   Tonton video perkenalan singkat yang ada di halaman utama atau cari video tutorial dasar "Getting Started with Teachable Machine" di YouTube.

3.   Catatlah hal-hal penting yang kalian pelajari dari video tersebut, seperti:

○ Jenis-jenis proyek yang bisa dibuat.

○ Bagaimana cara menambahkan kelas.

○ Bagaimana cara mengumpulkan data.

○ Bagaimana proses training model terjadi.

○ Bagaimana cara menguji model yang sudah dilatih.

 

Aktivitas 2: Ekspresi Detektor

Deskripsi:

Kamu akan membuat proyek AI yang bisa mengenali ekspresi wajah temanmu, seperti senyum, sedih, atau kaget.

Langkah-langkah:

1.           Foto wajah teman dengan berbagai ekspresi (senyum, sedih, kaget).

2.           Kumpulkan minimal 5 foto untuk tiap ekspresi.

3.           Latih model AI untuk mengenali ekspresi.

4.           Uji coba model ke wajah teman yang lain, dan lihat apakah prediksi benar. Pseudocode:

 

Jika gambar_input = wajah_temanku    jika model_mengenali = "senyum"        tampilkan "Kamu sedang senyum!"    jika model_mengenali = "sedih"        tampilkan "Kamu terlihat sedih."    jika model_mengenali = "kaget"        tampilkan "Kamu kaget ya?"

 

 

Aktivitas 3: Game Tepuk vs Ketukan

Deskripsi:

Kamu dan temanmu akan bermain game AI. Satu merekam suara, satu lagi melatih AI untuk mengenali suara tepuk dan ketukan.

Langkah-langkah:

1.   Rekam 5 suara tepuk dan 5 suara ketukan.

2.   Simpan suara dengan nama yang benar (misal: tepuk1.wav).

3.   Gunakan AI untuk belajar membedakan suara tepuk dan ketukan.

4.   Uji AI dengan suara baru untuk melihat prediksi.

Pseudocode:

 

Jika suara_input = suara_baru    jika model_mengenali = "tepuk"        tampilkan "Ini suara tepuk."    jika model_mengenali = "ketukan"        tampilkan "Ini suara ketukan."

 

Aktivitas 4: Buah Ajaib

Deskripsi:

Kamu akan membuat model AI untuk mengenali jenis buah seperti apel, pisang, dan jeruk.

Langkah-langkah:

1.   Ambil 10 gambar buah (apel, jeruk, pisang).

2.   Latih AI menggunakan gambar yang kamu ambil.

3.   Cari gambar buah dari internet dan uji ke AI.

4.   Lihat apakah AI bisa mengenali buahnya dengan benar.

Pseudocode:

 

Jika gambar_input = gambar_buah    jika model_mengenali = "apel"        tampilkan "Ini apel"    jika model_mengenali = "pisang"        tampilkan "Ini pisang"    jika model_mengenali = "jeruk"        tampilkan "Ini jeruk"

 

Aktivitas 5: Deteksi Suasana Musik

Deskripsi:

Kamu akan melatih AI untuk mengenali suasana dari musik, seperti sedih, bahagia, atau menegangkan.

Langkah-langkah:

1.   Cari 3 lagu dengan suasana yang berbeda: sedih, bahagia, dan menegangkan.

2.   Potong bagian pendek dari tiap lagu (10–15 detik).

3.   Latih AI dengan potongan lagu tersebut.

4.   Uji AI dengan lagu lain dan lihat prediksinya.

Pseudocode:

 

Jika musik_input = lagu_baru    jika model_mengenali = "sedih"        tampilkan "Lagu ini terdengar sedih."    jika model_mengenali = "bahagia"        tampilkan "Lagu ini membuat senang!"    jika model_mengenali = "menegangkan"        tampilkan "Lagu ini terasa menegangkan!"

 

Rangkuman

Di bab ini, kita mengenal Google Teachable Machine, alat ajaib yang membantu kita memahami AI (Artificial Intelligence) tanpa harus menulis kode. Dengan alat ini, kita bisa membuat model AI sendiri hanya dengan memberikan contoh data. Inilah yang disebut Machine Learning—bukan memprogram komputer secara rinci, tapi "mengajari" komputer lewat contoh, atau yang kita sebut Data Training. Setelah belajar dari data, model AI bisa melakukan prediksi saat melihat data baru. Kita juga belajar membuat proyek seru dengan tiga jenis input: gambar (Image), suara (Audio), dan gerakan tubuh (Pose). Proses pentingnya adalah:

Data Training → Train Model → Prediksi

Selain itu, kita jadi paham pentingnya variasi data agar AI makin pintar, dan kita langsung mencoba sendiri lewat proyek nyata yang menyenangkan. Ini adalah langkah awal yang seru dan mudah dimengerti untuk mulai menjelajahi dunia AI sejak SMP!

 

Latihan Soal A. Benar atau Salah (5 Soal)

1.   Google Teachable Machine bisa digunakan tanpa harus menulis kode.

 Jawaban: Benar

 

2.   Data Training digunakan hanya setelah proses prediksi selesai.

 Jawaban: Salah

 

3.   Salah satu jenis proyek di Teachable Machine adalah mengenali suara.

 Jawaban: Benar

 

4.   Setelah model AI dilatih, ia tidak bisa digunakan lagi.

 Jawaban: Salah

 

5.   Prediksi dilakukan menggunakan data yang sudah pernah dilatih. Jawaban: Salah

B. Pilihan Ganda (10 Soal)

6.   Apa fungsi utama dari tombol "Train Model" di Teachable Machine?

A. Menghapus data

B. Menyimpan proyek

C. Melatih model AI

D. Mencetak hasil

 Jawaban: C

 

7.   Apa yang dimaksud dengan "Data Training"?

A. Data yang digunakan untuk membuat aplikasi

B. Data yang digunakan untuk melatih model AI

C. Data yang dihapus setelah uji coba

D. Data yang digunakan untuk mempercantik tampilan

 Jawaban: B

 

8.   Apa nama proyek di Teachable Machine untuk mengenali gambar?

A. Audio Project

B. Text Project

C. Image Project

D. Video Project

 Jawaban: C

 

9.   Model AI membuat "Prediksi" saat:

A. Menyimpan gambar

B. Menggunakan data baru yang belum dikenali

C. Mengedit proyek

D. Mengulang data training

 Jawaban: B

 

10. Berikut ini yang termasuk contoh Data Training adalah:

A. File PDF

B. Gambar hewan yang dikenali sebelumnya

C. Video musik

D. Link internet

 Jawaban: B

 

11. Untuk mengenali suara tepuk tangan, proyek yang dipilih adalah:

A. Pose Project

B. Image Project

C. Audio Project

D. Video Project

 Jawaban: C

 

12. Teachable Machine bisa mengenali pose seperti:

A. Berlari dan membaca

B. Duduk dan berdiri

C. Tidur dan bermain

D. Menulis dan menyanyi

 Jawaban: B

 

13. Proses mengenali pola dari data disebut:

A. Printing

B. Scanning

C. Training

D. Zooming

 Jawaban: C

 

14. Data baru yang dimasukkan untuk diuji ke model disebut:

A. Data Training

B. Data Lama

C. Data Sementara

D. Data Prediksi

 Jawaban: D

 

15. Kelebihan Teachable Machine adalah:

A. Harus diinstal dulu

B. Hanya bisa digunakan dengan coding

C. Bisa digunakan tanpa coding

D. Hanya bisa dipakai di HP

 Jawaban: C

C. Isian Singkat (5 Soal)

16. Google Teachable Machine adalah alat berbasis ________ dari Google.

Jawaban: web

 

17. Data yang digunakan untuk menguji kemampuan model disebut ________.

Jawaban: prediksi

 

18. Proyek yang digunakan untuk mengenali posisi tubuh disebut ________ Project.

Jawaban: Pose

 

19. Semakin banyak dan beragam data training, maka model AI akan semakin ________.

Jawaban: akurat

 

20. Untuk mengenali wajah tersenyum, kita harus membuat kelas "Senyum" dan mengumpulkan banyak ________ wajah tersenyum. Jawaban: gambar

D. Soal Explorasi

 

Soal:

Jelaskan bagaimana kamu akan membuat proyek di Google Teachable Machine yang bisa membedakan antara suara ketukan jari dan suara tepuk tangan. Tuliskan langkah-langkahmu dari memilih jenis proyek, mengumpulkan data, melatih model, sampai mengujinya.

Jawaban: Saya akan memilih proyek "Audio Project" karena ingin mengenali suara. Lalu saya membuat dua kelas: satu untuk suara ketukan jari, dan satu lagi untuk suara tepuk tangan. Saya merekam beberapa contoh suara untuk masing-masing kelas dari berbagai arah dan kekuatan suara. Setelah data cukup, saya klik "Train Model" agar komputer belajar membedakannya. Terakhir, saya coba tepuk tangan di depan mikrofon untuk melihat apakah AI bisa menebak dengan benar.

Soal:

Bayangkan kamu ingin membuat model yang bisa membedakan buah apel, pisang, dan jeruk. Jelaskan apa yang kamu lakukan untuk mengumpulkan Data Training yang baik. Tuliskan strategi kamu agar modelnya bisa akurat.

Jawaban: Saya akan membuat tiga kelas: Apel, Pisang, dan Jeruk. Untuk tiap buah, saya akan mengambil foto dari berbagai sudut, pencahayaan, dan ukuran buah yang berbeda. Misalnya apel hijau dan merah, pisang mentah dan matang, jeruk kecil dan besar. Saya juga akan memastikan gambarnya jelas dan tidak buram. Dengan data yang beragam, model akan lebih pintar membedakan ketiganya.

Soal:

Menurutmu, mengapa Google Teachable Machine disebut sebagai "No-Code AI"? Jelaskan kelebihan alat ini bagi pelajar seperti kamu yang belum bisa coding.

Jawaban: Google Teachable Machine disebut "No-Code AI" karena kita tidak perlu menulis kode untuk membuat AI. Semua prosesnya bisa dilakukan dengan klik dan rekam data. Ini sangat bagus untuk pelajar SMP karena kita bisa langsung mencoba membuat AI tanpa harus belajar bahasa pemrograman dulu. Jadi, lebih cepat paham dan menyenangkan untuk belajar AI sejak dini.

 

Tugas Proyek Proyek 1: "Detektor Ekspresi Wajah"

Tujuan: Mengenali ekspresi wajah seperti senyum, sedih, dan kaget.

Jenis Proyek: Image Project

Langkah-Langkah:

1.   Buat tiga kelas: Senyum, Sedih, dan Kaget.

2.   Kumpulkan minimal 10 gambar wajah dari teman-teman untuk setiap ekspresi.

3.   Latih model dengan gambar-gambar tersebut.

4.   Uji apakah model dapat mengenali ekspresi orang baru secara akurat.

 

Kenapa Menarik?

Ekspresi wajah sering digunakan dalam aplikasi seperti kamera pintar atau robot sosial. Cocok untuk mengenalkan siswa pada konsep komputer vision dan pengolahan citra.

Proyek 2: "Suara Unik Sehari-hari"

Tujuan: Membedakan suara bel rumah, tepuk tangan, dan tertawa.

Jenis Proyek: Audio Project

Langkah-Langkah:

1.   Rekam suara bel rumah, tepuk tangan, dan tertawa masing-masing minimal

10 kali.

2.   Buat tiga label sesuai suara.

3.   Latih dan uji model dengan suara baru.

4.   Gunakan fitur live-mic untuk menguji secara real-time.

 

Kenapa Menantang?

Siswa belajar bahwa suara adalah data penting bagi AI dan bagaimana AI bisa membedakan pola-pola audio.

Proyek 3: "Pose Pemain Bola"

Tujuan: Membedakan pose tubuh: berdiri siap, menendang, dan melompat.

Jenis Proyek: Pose Project

Langkah-Langkah:

1.   Ambil video singkat atau pose dari teman-teman saat berolahraga.

2.   Buat tiga label berdasarkan pose.

3.   Latih model dengan berbagai contoh agar variasi pose tertangkap.

4.   Uji model dengan gerakan tubuh secara langsung.

 

Kenapa Seru?

Siswa bisa aktif bergerak sambil belajar AI. Ini juga memperkenalkan pengolahan gerakan dan postur tubuh dalam AI.

Proyek 4: "Tebak Isyarat Tangan"

Tujuan: Mengenali isyarat seperti jempol ke atas, tangan terbuka, dan peace sign.

Jenis Proyek: Image Project

Langkah-Langkah:

1.   Ambil foto tangan dengan 3 pose berbeda.

2.   Latih model untuk mengenali setiap pose.

3.   Uji dengan tangan orang lain untuk melihat akurasinya.

 

Kenapa Layak Dicoba?

Isyarat tangan bisa digunakan untuk kendali tanpa sentuh – cocok untuk pengenalan AI dalam kehidupan nyata (misalnya remote pintar, atau sistem tanpa tombol).

Proyek 5: "AI Penolong Harian – Cerita AI-ku"

Tujuan: Membuat cerita pendek tentang pengalaman membangun proyek AI.

Jenis Proyek: Penulisan Naratif Kreatif

Langkah-Langkah:

1.   Ceritakan dalam 5–10 kalimat tentang proses membuat proyek AI (misalnya mengenali ekspresi wajah atau suara).

2.   Tambahkan imajinasi tentang bagaimana AI tersebut bisa membantu orang di rumah, sekolah, atau masyarakat.

3.   Boleh dihias dengan gambar atau animasi jika diinginkan.

 

Kenapa Penting?

Melatih siswa untuk berpikir reflektif dan kreatif tentang peran AI dalam kehidupan manusia.

Proyek 6: "Kuis AI: Prediksi vs Latihan"

Tujuan: Memahami konsep Data Training, Prediksi, dan Akurasi Model AI.

Jenis Proyek: Diskusi dan Simulasi

Langkah-Langkah:

1.   Buat dua set data: satu untuk melatih model, satu lagi untuk menguji.

2.   Coba dengan jumlah data yang sedikit dan yang banyak – bandingkan hasilnya.

3.   Diskusikan: Mengapa AI kadang salah menebak? Apa yang bisa diperbaiki?

4.   Bahas konsep No-Code AI dan mengapa Google Teachable Machine masuk kategori itu.

Pengetahuan Tambahan yang Wajib Dipahami Siswa:

●    Data Training adalah data yang digunakan untuk melatih AI agar mengenali pola.

●    Prediksi adalah hasil dugaan AI berdasarkan data baru.

●    AI bisa salah karena data training kurang, tidak bervariasi, atau terlalu mirip antar kelas.

●    No-Code AI artinya kita bisa membuat AI tanpa perlu menulis kode — Google Teachable Machine adalah contohnya.

●    Kualitas dan jumlah data sangat penting! Jika data terlalu sedikit atau mirip-mirip, AI bisa bingung dan salah menebak.

 

 

 

 

 

BAB 4: Praktik dengan Google Teachable Machine: Model Gambar Sederhana (3 Pertemuan) Tujuan Pembelajaran

Peserta didik mampu secara mandiri membuat model AI sederhana untuk mengenali gambar menggunakan Google Teachable Machine, termasuk mengumpulkan data, melatih model, dan menguji akurasinya.

Jumlah Pertemuan: 3

Peta Konsep

 

Apersepsi

Di bab sebelumnya, kita sudah belajar teori tentang bagaimana Teachable Machine bekerja. Sekarang, mari kita coba langsung! Bayangkan kita akan membuat AI yang bisa mengenali apakah tangan kita terbuka atau tertutup. Ini seperti kita mengajari AI cara "melihat" dan "memahami" gambar!

Penjelasan Konsep (teori)

Pernahkah kamu berpikir bagaimana komputer bisa mengenali wajahmu atau membedakan antara tangan terbuka dan tertutup? Nah, itulah salah satu kemampuan dari kecerdasan buatan (Artificial Intelligence atau AI), dan kamu bisa membuatnya sendiri menggunakan alat online yang mudah dan menyenangkan, yaitu Google Teachable Machine!

Teachable Machine adalah platform dari Google yang memungkinkan siapa saja — termasuk kamu — untuk melatih komputer agar bisa mengenali gambar, suara, atau pose tubuh, hanya dengan beberapa langkah sederhana. Yuk, kita pelajari bagaimana cara membuat model pengenalan gambar (image model) menggunakan alat keren ini!

Langkah-langkah Membuat Model Gambar Memulai Proyek Baru

 

●    Buka browser (seperti Chrome atau Firefox), lalu ketik alamat berikut:teachablemachine.withgoogle.com.

●    Klik tombol “Get Started” untuk memulai.

●    Pilih jenis proyek: “Image Project”.

●    Setelah itu, akan muncul dua pilihan:

○ Standard Image Model: model biasa untuk penggunaan umum.

○ Embedded Image Model: untuk perangkat kecil seperti Arduino. ○ ➤ Pilih yang “Standard Image Model” ya!

Tujuan: Di sini kamu memulai lembar kerja untuk melatih AI mengenali gambar yang kamu pilih.

 

Menambahkan dan Mengatur Kelas (Class)

 

Setiap model harus bisa mengenali beberapa kategori. Nah, kategori-kategori ini disebut sebagai kelas (class).

●    Di awal, kamu akan melihat dua kelas default: Class 1 dan Class 2.

●    Klik ikon pensil di sebelah nama kelas, dan ubah namanya menjadi sesuatu yang bermakna. Misalnya:

○ Ganti Class 1 menjadi “Tangan Terbuka”

○ Ganti Class 2 menjadi “Tangan Tertutup”

●    Jika perlu, kamu bisa menambahkan kelas lain (misalnya: “Tangan Membentuk Huruf L”)

Tujuan: Setiap kelas mewakili objek atau kondisi yang ingin kamu ajarkan kepada AI.

Mengumpulkan Data Latih (Training Data)

Nah, sekarang saatnya “mengajarkan” AI dengan memberi contoh sebanyak-banyaknya!

Ada dua cara untuk mengisi data gambar ke setiap kelas:

Menggunakan Webcam

●    Klik tombol “Webcam” di bawah kelas yang kamu pilih.

●    Izinkan browser mengakses kamera.

●    Arahkan objek (misalnya tanganmu) ke kamera sesuai kelas.

●    Tekan dan tahan tombol “Hold to Record” untuk merekam gambar dari berbagai sudut dan kondisi pencahayaan.

Mengunggah Gambar

●    Kamu juga bisa klik tombol “Upload” dan memilih gambar dari komputer.

Catatan Penting

●    Berikan jumlah gambar yang seimbang untuk setiap kelas!

●    Gunakan variasi posisi, latar belakang, dan pencahayaan agar model menjadi pintar dan akurat.

Tujuan: AI butuh belajar dari banyak contoh, sama seperti kita!

Melatih Model (Training)

Setelah kamu selesai mengisi gambar untuk semua kelas...

●    Klik tombol besar “Train Model” (berwarna biru).

●    Tunggu sebentar. Komputer akan memproses data, biasanya hanya dalam hitungan detik atau menit.

●    Akan muncul status seperti:

○ “Preparing training data…”

○ “Training model…”

○ “Model trained!” (berarti AI kamu siap digunakan)

Jangan tutup tab atau pindah halaman saat proses training berlangsung!

Tujuan: Di sini, sistem mulai “belajar” dari data yang kamu berikan.

Menguji Model (Testing / Preview)

 

Sekarang saatnya melihat apakah AI kamu bekerja!

●    Lihat panel sebelah kanan dengan judul “Preview”. ● Pilih input: Webcam atau Upload File.

●    Arahkan objek ke kamera, misalnya tangan terbuka.

●    Hasil akan muncul dalam bentuk persentase untuk setiap kelas.

Misalnya:

 “Tangan Terbuka: 95%”

 “Tangan Tertutup: 5%”

Semakin tinggi persentasenya, semakin yakin AI bahwa itulah kelas yang sesuai.

Jika hasilnya belum akurat:

●    Tambahkan lebih banyak contoh gambar. ● Ulangi proses training.

Tujuan: Ini adalah tahap untuk menguji seberapa baik AI kamu dalam mengenali gambar.

Kesimpulan

Dengan Google Teachable Machine, kamu tidak hanya belajar tentang teknologi AI, tetapi juga menjadi pelatihnya langsung! Seru, kan?

Kegiatan ini melatih:

●    Logika berpikir

●    Kreativitas dalam pengambilan gambar

●    Kesabaran dan ketelitian

Dan yang paling penting, kamu bisa bereksperimen sambil bermain!

Jika kamu sudah menguasai cara ini, kamu bisa lanjut belajar:

●    Pengenalan suara (Sound Project)

●    Pengenalan pose tubuh (Pose Project)

Ayo, ciptakan model AI buatanmu sendiri. Siapa tahu suatu hari nanti kamu bisa menciptakan teknologi yang mengubah dunia!

 

Ilustrasi: Memecahkan Kasus dengan Teachable Machine

Bayangkan kamu menjadi seorang ilmuwan muda yang sedang mencoba membuat robot asisten yang bisa membantumu membedakan antara apel dan jeruk. Robot ini belum tahu apa-apa, jadi tugasmu adalah mengajarinya dengan cara menunjukkan banyak gambar apel dan jeruk. Setiap gambar seperti “pelajaran” bagi si robot!

Nah, lewat Google Teachable Machine, kamu bisa melatih AI (Artificial Intelligence) untuk mengenali gambar hanya dengan menggunakan kamera laptop dan koneksi internet. Cukup rekam beberapa gambar objek, latih modelnya, dan lihat hasilnya di Preview! Mudah dan seru, kan?

 

Contoh Kasus atau Ilustrasi Kasus 1: Si Juara Buah — Apel vs. Jeruk

Ilustrasi Kasus:

Bayangkan kamu menjadi juri dalam lomba buah paling fotogenik. Tugasmu adalah membuat model AI yang bisa membedakan apel dan jeruk, hanya dengan melihat gambar.

Langkah Petualangan:

●    Buat dua kelas: "Apel" dan "Jeruk".

●    Kumpulkan banyak gambar apel dan jeruk (bisa dari internet atau langsung difoto dengan webcam).

●    Latih model dan uji keakuratannya.

Coba tantang temanmu dengan menunjukkan buah sungguhan—apakah modelmu bisa menebak dengan benar?

Kasus 2: Detektif Ekspresi — Senyum, Netral, atau Sedih?

Ilustrasi Kasus:

Bayangkan kamu punya robot teman yang bisa membaca perasaanmu hanya dari wajahmu. Di sini, kamu akan melatih AI untuk mengenali ekspresi wajah: Senyum 😊, Netral 😐, dan Sedih 😢.

Langkah Petualangan:

●    Buat tiga kelas berdasarkan ekspresi.

●    Rekam wajahmu sendiri dengan ekspresi berbeda-beda.

●    Uji: Tunjukkan ekspresi secara acak, dan lihat apakah AI bisa “membaca hatimu”.

Seru untuk pelajaran tentang emosi dan komunikasi non-verbal!

Kasus 3: Tangan Ajaib — Terbuka atau Tertutup?

Ilustrasi Kasus:

Bayangkan kamu membuat game sederhana yang dikontrol dengan gerakan tangan. AI-nya harus bisa tahu apakah tanganmu terbuka atau tertutup.

Langkah Petualangan:

●    Buat dua kelas: "Tangan Terbuka" dan "Tangan Tertutup".

●    Ambil gambar tanganmu dari berbagai arah dan pencahayaan.

●    Uji model dengan berbagai posisi tangan—bisa jadi dasar membuat game atau robot mini!

Tantangan: Bisa tidak kamu buat AI-nya mengenali "pose salam lima"?

Kasus 4: Detektor Alat Tulis — Pensil, Penghapus, Penggaris

Ilustrasi Kasus:

Bayangkan AI yang bisa membantu temanmu mencari alat tulis di meja—tanpa harus mencarinya satu per satu! Di sini, AI akan dilatih untuk mengenali pensil, penghapus, dan penggaris.

Langkah Petualangan:

●    Buat tiga kelas: satu untuk setiap benda.

●    Foto setiap benda dari berbagai sudut, pencahayaan, bahkan warna.

●    Coba uji model: apakah bisa membedakan pensil dan pulpen? Bisa dijadikan alat bantu visual.

Berguna untuk teman yang memiliki keterbatasan penglihatan atau dalam situasi gelap!

Kasus 5: Sensor Camilan — Cokelat, Keripik, atau Biskuit?

Ilustrasi Kasus:

Bayangkan kamu membuat vending machine pintar yang tahu jenis camilan hanya dari tampilannya. AI akan mengenali apakah itu keripik, cokelat, atau biskuit.

Langkah Petualangan:

●    Buat tiga kelas: "Keripik", "Biskuit", "Cokelat".

●    Foto camilan dari berbagai merek, ukuran, dan posisi.

●    Latih model dan uji: bisakah dia mengenali camilan favoritmu?

Belajar sambil ngemil? Siapa takut!

Kasus 6: Pemindai Suara — Suara "Ya" vs. "Tidak"

Ilustrasi Kasus:

Kamu bisa membuat AI yang bisa membedakan dua suara: "Ya" dan "Tidak". Bisa untuk kontrol suara mini!

Langkah Petualangan:

●    Rekam suara "ya" dan "tidak" dalam berbagai nada dan kecepatan.

●    Uji dengan suara kamu dan temanmu. Apakah AI bisa mengenalinya?

Cocok untuk membuat tombol virtual pakai suara!

Setiap kasus ini seperti misi sains seru, dan dengan Google Teachable Machine, kamu bisa langsung mencobanya di kelas atau di rumah. Tantang dirimu dan temanmu untuk membuat AI paling pintar dan paling seru! Mau mencoba salah satu sekarang?

 

Contoh Soal dan Pembahasan

Soal:

Bagaimana cara melatih model di Google Teachable Machine agar hasil prediksinya lebih akurat? Sebutkan minimal 3 hal yang bisa dilakukan.

Pembahasan: Untuk melatih model agar lebih akurat, ada beberapa hal yang bisa dilakukan:

1.   Tambah Jumlah Data Training: Semakin banyak contoh yang Anda berikan untuk setiap kelas, semakin banyak pola yang dapat dipelajari oleh model. Targetkan minimal 50-100 contoh per kelas, atau bahkan lebih jika memungkinkan.

2.   Variasi Data Training: Jangan hanya memberikan contoh yang sama. Misalnya, untuk wajah senyum, rekam wajah senyum dengan pencahayaan berbeda, sudut berbeda, ekspresi senyum yang sedikit berbeda (lebar, tipis), dan latar belakang yang bervariasi. Untuk objek, foto objek dari berbagai sudut pandang, jarak, dan kondisi cahaya. Variasi membantu model untuk menggeneralisasi dengan lebih baik.

3.   Kualitas Data Training: Pastikan gambar atau suara yang Anda gunakan jelas dan tidak buram. Hindari gambar yang terlalu gelap, terlalu terang, atau terpotong.

4.   Seimbangkan Data Training: Pastikan jumlah contoh untuk setiap kelas relatif sama. Jika satu kelas memiliki 100 contoh dan kelas lain hanya 10, model mungkin akan bias dan lebih sering memprediksi kelas dengan data lebih banyak.

5.   Hilangkan "Noise" atau Gangguan: Pastikan data training hanya berisi apa yang ingin Anda kenali. Misalnya, jika melatih tangan, pastikan tidak ada objek lain yang ikut terekam secara signifikan di latar belakang yang bisa membingungkan model.

 

Soal:

Apa yang harus dilakukan agar model AI lebih akurat?

Jawaban:

Tambahkan banyak gambar

Berikan gambar dari berbagai sudut dan kondisi

Pastikan kualitas gambar baik dan jelas

 

 Soal:

Mengapa harus membuat kelas berbeda saat membuat model gambar?

Jawaban:

Karena setiap kelas mewakili satu kategori yang ingin dikenali AI. Misalnya: "Buku", "Botol", dan "Pensil" harus dipisah agar AI tidak bingung.

 

Soal:

Apa yang terjadi jika data training hanya sedikit?

Jawaban:

Model AI tidak bisa belajar dengan baik, sehingga prediksinya sering salah atau tidak akurat.

 

Soal:

Bagaimana cara melihat apakah model AI sudah akurat?

Jawaban:

Lihat hasil di panel Preview. Jika persentase prediksi tinggi untuk kelas yang benar, artinya AI sudah cukup baik.

 

Fakta Menarik / Fun Facts

Model AI yang kita buat ini seperti bayi yang belajar dari contoh-contoh di sekitarnya. Semakin banyak contoh yang benar dan bervariasi yang kita berikan, semakin pintar dan "paham" dia tentang dunia di sekelilingnya!

 

Tips Belajar atau Tips Cepat Menghafal

Ingat pepatah sederhana ini: "Banyak Contoh yang Bervariasi, Hasil Akurat Pasti!" Ini adalah kunci sukses dalam melatih model AI.

Mind Mapping

Buat peta pikiran seperti ini saat memulai proyek Teachable Machine:

 

 

Cerita: “AI Si Bayi Belajar”

Bayangkan AI seperti bayi. Jika kamu tunjukkan hanya satu gambar jeruk, dia mungkin pikir semua buah itu jeruk! Tapi kalau kamu tunjukkan banyak gambar jeruk dari berbagai jenis, barulah dia mulai paham: "Ooh, yang bulat dan oranye itu jeruk!" Sama seperti kita belajar sejak kecil.

 

Aktivitas Siswa Membuat Model Teachable Machine untuk Mengenali Ekspresi Wajah (Senyum, Datar, Sedih)

Ikuti langkah-langkah di atas untuk membuat model AI yang bisa mengenali setidaknya 3 ekspresi wajah kalian:

1.   Kelas 1: Senyum

2.   Kelas 2: Wajah Datar/Netral

3.   Kelas 3: Sedih

Pastikan untuk mengumpulkan minimal 50-70 contoh per kelas menggunakan webcam. Berikan variasi pada setiap ekspresi (misalnya, senyum dengan gigi, senyum tanpa gigi; sedih dengan mata sedikit tertutup, sedih dengan mata terbuka lebar). Setelah training, uji model kalian dan lihat seberapa baik ia bisa memprediksi ekspresi yang berbeda.

Game Tangan AI

Buat model untuk mengenali 3 posisi tangan: tangan terbuka, tangan tertutup, dan dua jari membentuk "V". Bisa jadi game tebak gerakan!

AI Detektor Barang Sekolah

Latih model AI untuk mengenali penghapus, pensil, dan spidol. Gunakan berbagai latar dan pencahayaan untuk tantangan tambahan.

Kuis AI dengan Teman

Buat proyek AI bersama teman, saling tukar model, lalu coba tebak benda masing-masing dengan bantuan AI.

Contoh Pseudocode:

IF gambar di depan kamera dikenali sebagai “Pensil”

  THEN tampilkan: “Ini adalah Pensil!” ELSE

  tampilkan: “Coba lagi!”

 

Rangkuman

Bab ini mengajak kamu untuk terjun langsung membuat model AI gambar menggunakan Google Teachable Machine. Dengan langkah-langkah yang mudah, kamu belajar membuat Class, mengumpulkan data dari webcam, melakukan training, dan menguji hasilnya.

Proyek ini melatih kemampuan berpikir kritis dan eksperimen. Kamu juga diajak memahami bahwa kualitas dan variasi data sangat penting agar AI bisa belajar dengan benar. Ini bukan hanya soal teknologi, tapi juga cara berpikir seperti ilmuwan: teliti, sabar, dan kreatif!

 

Latihan Soal A. Benar atau Salah (5 Soal)

1.   Kita bisa membuat model gambar di Teachable Machine tanpa menggunakan kamera.

Jawaban: Salah

 

2.   Jumlah data training yang tidak seimbang bisa membuat model kurang akurat.

Jawaban: Benar

 

3.   Tombol "Train Model" digunakan untuk menghapus semua kelas yang sudah dibuat. Jawaban: Salah

 

4.   Preview hasil prediksi akan muncul setelah proses training selesai.

Jawaban: Benar

 

5.   Menambahkan banyak variasi gambar bisa membuat model lebih akurat. Jawaban: Benar

B. Pilihan Ganda (10 Soal)

6.   Langkah pertama untuk membuat model gambar di Teachable Machine adalah:

A. Klik Preview

B. Klik Train Model

C. Pilih Image Project

D. Upload suara

 Jawaban: C

 

7.   Fitur “Hold to Record” digunakan untuk:

A. Melatih model

B. Menyimpan proyek

C. Menghapus kelas

D. Mengambil data gambar dari webcam

 Jawaban: D

 

8.   Mengapa penting menggunakan gambar dari berbagai sudut dan pencahayaan saat melatih model?

A. Agar file lebih besar

B. Agar model tidak membosankan

C. Agar model bisa mengenali variasi nyata

D. Supaya cepat selesai

 Jawaban: C

 

9.   Jika Anda ingin melatih model mengenali “Tangan Terbuka” dan “Tangan Tertutup”, berapa kelas yang harus dibuat?

A. 1

B. 2

C. 3

D. 5

 Jawaban: B

 

10. Dimana kita bisa melihat hasil prediksi dari model yang sudah dilatih?

A. Di halaman utama

B. Di menu Upload

C. Di panel Preview

D. Di menu Webcam

 Jawaban: C

 

11. Salah satu penyebab model memberikan prediksi yang salah adalah:

A. Jumlah kelas terlalu banyak

B. Browser tidak di-refresh

C. Data training terlalu sedikit atau mirip-mirip

D. Menggunakan mode gelap

 Jawaban: C

 

12. Saat membuat model pengenalan gambar, kita sebaiknya menggunakan:

A. Webcam atau upload gambar

B. Mikrofon dan video

C. Musik dan teks

D. Spreadsheet dan tabel

 Jawaban: A

 

13. Proses mengajari AI dengan gambar disebut:

A. Preview

B. Coding

C. Training

D. Loading

 Jawaban: C

 

14. Jika kita ingin mengenali 5 jenis buah yang berbeda, berapa banyak Class yang harus kita buat?

A. 2

B. 3

C. 5

D. 10

 Jawaban: C

 

15. Apa yang terjadi jika kita menutup tab browser saat model sedang dilatih?

A. Model akan selesai lebih cepat

B. Model tetap berjalan di latar belakang

C. Proses training gagal

D. Kelas akan bertambah otomatis

 Jawaban: C

C. Isian Singkat (5 Soal)

16. Tombol untuk memulai proses pembelajaran model di Teachable Machine disebut ________.

Jawaban: Train Model

 

17. Kita bisa mengumpulkan gambar menggunakan webcam atau dengan cara ________ gambar.

Jawaban: mengunggah

 

18. Menu untuk melihat seberapa baik model mengenali gambar disebut ________.

Jawaban: Preview

 

19. Kumpulan contoh yang digunakan untuk mengajari AI disebut ________ ________. Jawaban: Data Training

 

20. Jika jumlah gambar pada satu kelas terlalu sedikit, model akan menjadi tidak ________.

Jawaban: akurat

D. Soal Explorasi

 

Soal:

Kamu diminta membuat model yang bisa membedakan antara "Buku", "Botol", dan "Pensil". Jelaskan bagaimana kamu akan mengumpulkan data training untuk proyek ini agar model bisa mengenali ketiganya dengan baik.

Jawaban: Saya akan membuat tiga kelas: Buku, Botol, dan Pensil. Untuk setiap kelas, saya akan mengambil minimal 70 gambar menggunakan webcam dari berbagai sudut. Buku akan saya foto saat tertutup, terbuka, berdiri, dan tidur. Botol akan saya foto dalam keadaan penuh dan kosong, dari samping dan atas. Pensil akan saya foto dalam posisi horizontal, vertikal, dan diagonal. Saya juga akan mengganti pencahayaan dan latar belakang agar model tidak hanya mengenali objek di satu kondisi saja.

Soal:

Misalnya kamu sudah melatih model, tapi saat di-Preview hasil prediksinya sering salah. Tuliskan tiga langkah apa saja yang akan kamu lakukan untuk memperbaikinya.

Jawaban: Pertama, saya akan menambah lebih banyak data training, terutama untuk kelas yang sering salah ditebak. Kedua, saya akan memastikan bahwa gambar-gambar tersebut bervariasi dari segi sudut, cahaya, dan latar belakang. Ketiga, saya akan mengecek apakah jumlah gambar di setiap kelas sudah seimbang agar model tidak condong ke satu kelas saja. Setelah itu, saya akan retrain model dan uji ulang.

Soal:

Jelaskan mengapa kualitas gambar sangat penting saat melatih model AI. Berikan satu contoh gambar yang buruk dan dampaknya terhadap hasil prediksi.

Jawaban:  Kualitas gambar sangat penting karena gambar yang buram, terlalu gelap, atau tidak jelas bisa membuat model sulit mengenali pola. Misalnya, jika saya memasukkan gambar kucing yang gelap dan hanya terlihat bayangannya, model bisa salah menebak itu sebagai objek lain. Dampaknya, hasil prediksi bisa salah walaupun inputnya benar, karena model tidak bisa "melihat" fitur penting dari gambar tersebut.

 

Tugas Proyek

Proyek 1: Si Detektif Benda Sekitar

Tujuan: Melatih AI untuk mengenali 3 benda berbeda di lingkungan sekitarmu (contoh: buku, pensil, dan botol minum). Langkah-langkah:

1.   BukaGoogle Teachable Machine dan pilih Image Project.

2.   Buat 3 kelas (class), masing-masing diberi nama sesuai benda pilihan.

3.   Gunakan webcam untuk mengambil minimal 70 gambar per benda. Ambil dari berbagai sudut, jarak, pencahayaan, dan latar belakang.

4.   Latih modelnya dan klik Train Model.

5.   Uji coba: Arahkan webcam ke benda aslinya dan lihat apakah AI bisa menebaknya dengan benar.

6.   Evaluasi: Jika hasil belum akurat, tambahkan lebih banyak variasi gambar.

Tantangan tambahan: Gunakan benda dengan bentuk mirip (misal: pulpen dan spidol) dan lihat apakah AI bisa membedakannya!

Proyek 2: Detektor Ekspresi Wajah

Tujuan: Mengajarkan AI untuk mengenali tiga ekspresi wajahmu: senang, sedih, dan marah.

Langkah-langkah:

1.   Pilih Image Project dan buat 3 kelas ekspresi: Senang 😄, Sedih 😢, Marah 😠.

2.   Ambil minimal 70 foto untuk tiap ekspresi, dengan berbagai sudut wajah dan pencahayaan.

3.   Latih modelnya, lalu coba ekspresikan wajahmu dan lihat apakah AI bisa mengenalinya.

4.   Uji dengan temanmu juga, apakah model bisa mengenali ekspresi orang lain?

Tantangan tambahan: Tambahkan ekspresi “bingung” atau “kaget” agar AI lebih pintar!

Proyek 3: Tebak Gerakan Tangan!

Tujuan: Membangun AI yang mengenali 3 gestur tangan: tangan terbuka, tangan mengepal, dan jempol ke atas 👍 Langkah-langkah:

1.   Pilih Image Project dan buat 3 kelas sesuai gestur.

2.   Ambil foto tanganmu dari berbagai sudut dan pencahayaan, minimal 70 gambar per gestur.

3.   Latih modelnya.

4.   Uji model: apakah bisa menebak gerakanmu secara real time?

5.   Gunakan hasilnya untuk membuat kuis gestur—temanmu harus menebak gestur berdasarkan prediksi AI!

Tantangan tambahan: Tambahkan gestur “peace ✌” dan lihat seberapa baik AI membedakannya.

Proyek 4: AI Penebak Buah

Tujuan: Melatih AI mengenali 3 buah asli (bukan gambar): apel, pisang, dan jeruk. Langkah-langkah:

1.   Siapkan buah asli dan pilih Image Project.

2.   Buat 3 kelas sesuai nama buah.

3.   Ambil foto dari berbagai sudut dan jarak (minimal 70 per buah).

4.   Latih dan uji model dengan buah aslinya.

5.   Lakukan tes silang: apakah AI bisa mengenali buah jika kamu mengganti meja/latar belakang?

Tantangan tambahan: Tambahkan buah lain yang mirip (misalnya jeruk dan lemon) untuk menguji ketelitian AI.

Proyek 5: Uji Kualitas Data – Siapa Lebih Hebat?

Tujuan: Mengamati pengaruh kualitas gambar terhadap akurasi model AI. Langkah-langkah:

1.   Buat dua model berbeda:

○ Model A: Gunakan gambar buram, gelap, atau terlalu terang. ○ Model B: Gunakan gambar jelas, terang, dan rapi.

2.   Gunakan jenis benda yang sama (misalnya: penghapus, penggaris, dan pulpen).

3.   Latih masing-masing model secara terpisah.

4.   Bandingkan akurasi hasil prediksi.

5.   Buat laporan singkat: model mana lebih akurat? Mengapa?

Tantangan tambahan: Tambahkan kategori baru dan ulangi eksperimen untuk melihat konsistensi hasil.

Proyek 6: AI Teman Belajar

Tujuan: Ciptakan AI yang bisa membantu mengenali alat belajar: penghapus, penggaris, dan pensil warna. Langkah-langkah:

1.   Pilih Image Project dan buat kelas sesuai alat belajar.

2.   Kumpulkan data gambar dengan variasi tinggi.

3.   Latih model dan gunakan dalam skenario “tebak alat belajar” di ruang kelas atau rumah.

4.   Gunakan model untuk membantu adik atau teman dalam bermain sambil belajar.

Tantangan tambahan: Gabungkan proyek ini dengan proyek deteksi ekspresi untuk membuat asisten belajar yang bisa membaca ekspresimu!

 

 

 

 

 

 

 

 

 

 

g