Dari Webcam ke AI: Yuk, Ajari Komputer Mengenali Jumlah Jari dengan Teachable Machine!

KODING & KECERDASAN ARTIFISIAL • KKA

Teach a Machine: Belajar Machine Learning dengan Teachable Machine

Belajar mengenalkan komputer pada pola gambar melalui data, pelatihan model, pengujian, dan analisis hasil.

Machine LearningTeachable MachineMedia Pembelajaran Interaktif

123456789

1

Pengenalan

Mengenal kegiatan dan tujuan pembelajaran

Ilustrasi kegiatan: komputer belajar mengenali jumlah jari dari contoh gambar.

Untuk pembelajaran KKA Artikel ini disusun sebagai bahan belajar dan pendamping praktik Koding dan Kecerdasan Artifisial (KKA). Bahasa dibuat sederhana agar mudah dibaca peserta didik dan mudah dikembangkan guru menjadi aktivitas kelas.

Sekilas tentang kegiatan

Pernahkah kamu membayangkan komputer dapat belajar membedakan tiga jari dan lima jari hanya dari contoh gambar? Pada kegiatan ini, kita akan mencoba melatih model klasifikasi gambar menggunakan Teachable Machine. Komputer tidak langsung mengetahui arti sebuah gambar. Kita perlu memberikan contoh, mengelompokkannya ke dalam kategori, melatih model, kemudian menguji hasilnya.

Kegiatan ini mengambil gagasan dari proyek “Teach a machine” milik Raspberry Pi Foundation. Dalam proyek tersebut, peserta didik diajak membuat model sederhana yang dapat mengenali berapa banyak jari yang ditunjukkan. Versi artikel ini ditulis ulang dengan gaya pembelajaran guru dan disesuaikan untuk kegiatan KKA.

Tujuan Pembelajaran

· Menjelaskan secara sederhana bahwa model machine learning dapat belajar dari contoh data.

· Menyiapkan contoh gambar untuk dua kategori yang berbeda.

· Menggunakan webcam untuk mengumpulkan data gambar.

· Melatih model dengan perintah Train Model dan mengamati hasilnya.

· Membaca confidence score pada bagian Output.

· Menganalisis mengapa variasi contoh gambar penting dalam proses pelatihan.

· Mencoba merancang classifier sederhana untuk masalah lain di sekitar kita.

A. Apa yang akan kita buat?

Target kegiatan kita sederhana: membuat komputer mengenali dua kondisi berdasarkan jumlah jari yang ditunjukkan. Dalam contoh, kategori pertama diberi nama Five untuk lima jari dan kategori kedua Three untuk tiga jari.

Contoh tampilan data latihan dan panel Preview setelah model dilatih.

Yang perlu disiapkan Sebuah komputer yang memiliki atau dapat terhubung dengan webcam. Pastikan kamera dapat digunakan sebelum mulai mengumpulkan gambar.

← SebelumnyaBerikutnya →

2

Konsep & Kategori

Memahami cara komputer belajar dari contoh

B. Memahami ide dasarnya: komputer belajar dari contoh

Dalam kegiatan ini, kita tidak menuliskan aturan satu per satu seperti “jika terlihat lima ujung jari, maka jawab Five”. Sebaliknya, kita menyediakan banyak contoh gambar untuk setiap kategori. Model kemudian dilatih menggunakan contoh tersebut.

Karena itu, kualitas data latihan sangat penting. Jika semua contoh diambil dengan posisi tangan yang hampir sama, model memiliki pengalaman yang terbatas. Sebaliknya, contoh yang lebih beragam dapat membantu model menghadapi variasi gambar ketika diuji.

Pertanyaan pemantik Jika semua foto lima jari diambil dari posisi yang sama, lalu saat pengujian tangan diputar atau posisinya berubah, apakah model akan selalu memberikan hasil yang sama? Jelaskan alasanmu.

C. Langkah 1 — Menyiapkan kategori

Buka Teachable Machine melalui https://rpf.io/tm. Setiap class dapat dipahami sebagai kategori yang ingin dikenali oleh komputer. Untuk latihan ini, ubah nama Class 1 menjadi Five dan Class 2 menjadi Three.

1. Buka Teachable Machine.

2. Siapkan dua class.

3. Ubah Class 1 menjadi Five.

4. Ubah Class 2 menjadi Three.

5. Pastikan webcam dapat digunakan.

← SebelumnyaBerikutnya →

3

Mengumpulkan Data

Menyiapkan contoh Five dan Three

D. Langkah 2 — Mengumpulkan gambar untuk Five

Pilih Webcam pada class Five. Tunjukkan lima jari dan pastikan seluruh tangan terlihat oleh kamera. Dengan tangan yang lain, tekan dan tahan Hold to Record untuk mengambil banyak contoh gambar.

· Jangan hanya mengambil satu gambar.

· Ubah sedikit posisi tangan dari satu contoh ke contoh berikutnya.

· Usahakan tangan tetap terlihat jelas.

· Perhatikan agar data latihan benar-benar mewakili kategori Five.

Contoh area data latihan dan Preview yang dapat diamati saat bekerja dengan webcam.

E. Langkah 3 — Mengumpulkan gambar untuk Three

Lakukan proses yang sama untuk class Three. Pilih Webcam, tunjukkan tiga jari, lalu gunakan Hold to Record untuk mengumpulkan banyak contoh.

Di sinilah kita dapat belajar bahwa machine learning membutuhkan data. Model tidak memperoleh pengetahuan dari tebakan, tetapi dari contoh yang kita berikan untuk proses pelatihan.

← SebelumnyaBerikutnya →

4

Melatih & Menguji

Train Model dan confidence score

F. Langkah 4 — Melatih model

Setelah contoh untuk Five dan Three tersedia, klik Train Model. Tunggu sampai proses pelatihan selesai. Pada materi ini, proses tersebut dicontohkan dapat memerlukan sekitar 10–20 detik.

Bagian Training pada Teachable Machine.

Jangan terburu-buru Saat model sedang dilatih, tunggu sampai proses selesai. Model yang sudah dilatih kemudian digunakan untuk mengenali pola dari gambar yang diberikan.

G. Langkah 5 — Menguji model dan membaca confidence score

Setelah pelatihan selesai, panel Preview akan terbuka. Tunjukkan lima jari dan perhatikan bagian Output. Kemudian lakukan hal yang sama dengan tiga jari.

Pada bagian Output, kita dapat melihat confidence score untuk setiap class. Nilai tersebut membantu kita melihat seberapa yakin model terhadap kategori yang sedang dikenali.

Amati, jangan hanya melihat hasil akhir Cobalah beberapa posisi tangan. Catat kapan hasil Five atau Three berubah. Dari pengamatan tersebut, kamu dapat mulai menilai bagaimana data latihan memengaruhi hasil model.

← SebelumnyaBerikutnya →

5

Tantangan Classifier

Mencoba berbagai masalah klasifikasi

H. Tantangan 1 — Lebah atau buah beri?

Setelah memahami latihan dasar, kita dapat membuat classifier dengan kategori lain. Materi sumber memberikan tantangan Lebah atau buah beri. Tujuannya bukan sekadar mendapatkan jawaban, tetapi mencoba membuat sistem klasifikasi sendiri.

Contoh classifier Lebah atau Berry pada materi.

Pertanyaan pentingnya: contoh seperti apa yang harus dikumpulkan agar model dapat membedakan kedua kategori dengan lebih baik?

I. Tantangan 2 — Kue atau biskuit?

Pada tantangan berikutnya, kita diminta membuat classifier Kue atau Biskuit. Kumpulkan beberapa gambar dari kedua kategori, latih model, lalu amati hasil pada Output.

Contoh hasil classifier Kue atau Biskuit.

Hasil yang tampak sangat yakin belum tentu berarti model akan selalu benar pada semua kondisi. Karena itu, pengujian dengan contoh yang berbeda dari data latihan menjadi bagian penting dari kegiatan.

J. Tantangan 3 — Pengenal resistor

Classifier juga dapat digunakan untuk mengenali kategori yang lebih dekat dengan dunia teknologi. Materi memperlihatkan contoh pengenal resistor yang membedakan nilai 12 Ohm dan 330 Ohm berdasarkan contoh gambar.

Contoh classifier untuk mengenali nilai resistor.

Perhatikan bahwa masalah yang dihadapi tetap memiliki pola yang sama: tentukan kategori, kumpulkan contoh, latih model, kemudian uji hasilnya.

← SebelumnyaBerikutnya →

6

Apa yang Dipelajari?

Refleksi dari percobaan

K. Apa yang dapat kita pelajari dari percobaan ini?

· Model membutuhkan contoh data untuk belajar mengenali pola.

· Setiap class mewakili kategori yang ingin dikenali.

· Data latihan yang beragam membantu model menghadapi variasi saat pengujian.

· Train Model merupakan tahap ketika contoh yang dikumpulkan digunakan untuk melatih model.

· Confidence score dapat digunakan untuk mengamati tingkat keyakinan model terhadap class tertentu.

· Membuat classifier bukan hanya soal mendapatkan hasil, tetapi juga mengamati, menguji, dan memperbaiki data latihan.

← SebelumnyaBerikutnya →

7

Deep Learning

Aktivitas pembelajaran mendalam

L. Aktivitas pembelajaran mendalam (Deep Learning)

Kegiatan ini dapat dirancang sebagai pembelajaran mendalam karena peserta didik tidak berhenti pada mengikuti langkah. Mereka dapat diajak memahami hubungan antara data, proses pelatihan, hasil prediksi, dan kualitas contoh yang digunakan.

Berkesadaran Peserta didik menyadari bahwa hasil model dipengaruhi oleh data yang diberikan dan perlu diamati secara kritis.

Bermakna Peserta didik menghubungkan classifier dengan persoalan nyata, misalnya membedakan objek atau mengenali komponen elektronik.

Menggembirakan Peserta didik bereksperimen dengan kategori yang dekat dengan kehidupan mereka dan melihat langsung perubahan hasil model.

← SebelumnyaBerikutnya →

8

Latihan Soal

Latihan interaktif KKA • 15 soal

M. Latihan Soal

Latihan interaktif KKAPilih jawaban sesuai pemahamanmu. Beberapa soal memiliki lebih dari satu jawaban benar.

1. Raka membuat dua class: Five dan Three. Ia hanya mengambil satu foto untuk setiap class. Saat diuji, model sering salah ketika tangan berubah posisi. Tindakan yang paling tepat adalah …

Amenghapus semua class lalu menutup Teachable Machine Bmenambah contoh gambar dengan variasi posisi tangan yang tetap sesuai kategorinya Cmengganti nama Five menjadi Four Dmengurangi jumlah contoh agar model lebih sederhana

2. Mengapa setiap kategori perlu diberi nama yang jelas, seperti Five dan Three?

Aagar komputer otomatis mengetahui arti angka tanpa data Bagar contoh gambar dapat dikelompokkan sesuai kategori yang akan dipelajari model Cagar webcam bekerja lebih cepat Dagar confidence score selalu 100%

3. Perhatikan ilustrasi berikut. Bagian kiri menunjukkan contoh data latihan, sedangkan bagian kanan menunjukkan hasil pada Preview.

AData latihan dan hasil pengujian merupakan bagian yang tidak berhubungan BContoh gambar pada class digunakan sebagai bahan untuk melatih model CPreview digunakan untuk melihat bagaimana model merespons input DSemakin banyak tombol pada layar, semakin benar hasil model

Pilih dua jawaban yang paling tepat.

4. Urutan kegiatan yang paling logis untuk membuat classifier Five dan Three adalah …

Auji model → kumpulkan gambar → beri nama class → train model Bberi nama class → kumpulkan contoh → train model → uji model Ctrain model → beri nama class → uji model → kumpulkan contoh Duji model → train model → hapus class → kumpulkan gambar

5. Sinta memperoleh confidence score tinggi untuk Five ketika menunjukkan tangan dengan posisi yang sama seperti data latihan. Ketika posisi tangan diubah, hasilnya menjadi kurang yakin. Kesimpulan yang paling sesuai adalah …

Amodel tidak memerlukan data latihan Bvariasi contoh dapat membantu model menghadapi kondisi pengujian yang berbeda Cconfidence score tidak berkaitan dengan hasil model Dwebcam harus selalu diganti

6. Saat tombol Train Model ditekan, tindakan yang paling tepat dilakukan peserta didik adalah …

Alangsung mengubah semua class Bmenunggu proses pelatihan selesai Cmenutup browser agar proses lebih cepat Dmenghapus contoh gambar

7. Perhatikan contoh classifier Lebah atau Berry berikut. Jika model memberikan hasil Bee 100%, apa yang paling tepat dilakukan untuk mengetahui apakah model benar-benar dapat bekerja pada kondisi lain?

Amenganggap model pasti benar untuk semua gambar Bmenguji dengan contoh gambar lain yang relevan Cmenghapus class Berry Dmengganti semua nama class menjadi angka

8. Guru meminta kelompok membuat classifier baru. Kelompok A hanya mengambil foto objek dari satu sudut. Kelompok B mengambil foto dari beberapa posisi yang masih jelas menunjukkan objek yang sama. Berdasarkan materi, pilihan yang lebih tepat adalah …

AKelompok A, karena satu contoh sudah cukup BKelompok B, karena contoh yang lebih beragam dapat membantu model Ckeduanya sama karena data tidak berpengaruh DKelompok A, karena model harus melihat gambar yang identik

9. Perhatikan hasil classifier Kue atau Biskuit. Jika gambar yang diuji sangat berbeda dari contoh latihan, apa yang sebaiknya dilakukan sebelum menyimpulkan model gagal?

Amemeriksa kembali variasi dan kecukupan data latihan Blangsung menyatakan webcam rusak Cmenghapus Output Dmengubah nama Cake menjadi Five

10. Pada contoh pengenal resistor, model membedakan 12 Ohm dan 330 Ohm. Jika guru meminta peserta didik membuat classifier untuk dua jenis komponen lain, prinsip kerja yang perlu dipertahankan adalah …

Amenentukan kategori dan memberikan contoh gambar untuk setiap kategori Bmenghindari proses pengujian Chanya menggunakan satu gambar untuk seluruh kategori Dmengamati hasil Output setelah model dilatih

Pilih dua jawaban yang paling tepat.

11. Seorang peserta didik berkata, “Model saya salah sekali, jadi datanya pasti tidak berguna.” Tanggapan yang paling sesuai berdasarkan kegiatan adalah …

Ahasil yang kurang sesuai dapat menjadi alasan untuk memeriksa dan memperbaiki data latihan Bdata latihan tidak pernah perlu diperiksa Cmodel selalu benar setelah Train Model Dconfidence score tidak perlu diamati

12. Manakah pasangan kegiatan dan tujuannya yang tepat?

AHold to Record — mengumpulkan contoh gambar BTrain Model — menghapus semua data COutput — mengganti nama class DWebcam — menyimpan dokumen Word

13. Pilih semua tindakan yang mendukung pengumpulan data latihan yang lebih baik.

Amengambil banyak contoh gambar Bmenggunakan variasi posisi yang masih sesuai kategori Cmengambil semua gambar dengan kondisi yang benar-benar identik Dmemastikan objek atau tangan terlihat jelas

Pilih semua jawaban yang benar.

14. Pilih semua kesimpulan yang dapat ditarik dari kegiatan Teach a machine.

Amachine learning sederhana dapat dikenalkan melalui kegiatan klasifikasi gambar Bmodel dapat dilatih menggunakan contoh data Chasil model tidak perlu diuji setelah pelatihan Ddata latihan berpengaruh terhadap proses belajar model

Pilih semua jawaban yang benar.

15. Bayangkan kamu diminta membuat classifier “Buku” dan “Pensil”. Tuliskan rancangan singkat: nama kedua class, contoh data yang akan dikumpulkan, cara membuat data lebih beragam, dan bagaimana kamu menguji model.

Jawab dalam 4–6 kalimat. Gunakan istilah yang dipelajari pada artikel.

← SebelumnyaBerikutnya →

9

Penutup

Merangkum pembelajaran Teach a Machine

Penutup

Mengajarkan komputer untuk mengenali gambar adalah salah satu cara sederhana untuk mulai memahami machine learning. Kita belajar bahwa komputer memerlukan contoh, kategori yang jelas, proses pelatihan, dan pengujian. Yang tidak kalah penting, kita belajar untuk tidak menerima hasil model begitu saja. Hasil perlu diamati, diuji, dan dianalisis.

Dari kegiatan kecil mengenali tiga dan lima jari, peserta didik dapat melangkah menuju proyek yang lebih dekat dengan kehidupan nyata. Kunci pembelajarannya bukan hanya membuat model bekerja, tetapi memahami mengapa model menghasilkan suatu prediksi dan bagaimana kualitas data memengaruhi hasil tersebut.

← SebelumnyaBerikutnya →