Pengenalan Google Teachable Machine (Teori)
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!
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:
Bagaimana Cara Kerja Machine Learning?
Kita akan mulai dengan contoh sederhana: Mengajarkan komputer membedakan antara apel dan jeruk.
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.
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:
Kita harus membuat aturan manual, contohnya:
- “Kalau buahnya bulat dan merah, itu apel.”
- “Kalau kulitnya oranye dan kasar, itu jeruk.”
Dengan Machine Learning:
Komputer belajar sendiri dari banyak contoh, tanpa perlu kita kasih aturan satu per satu. Langkah-
Komputer belajar sendiri dari banyak contoh, tanpa perlu kita kasih aturan satu per satu. Langkah-
Langkah Proses Machine Learning:
1. Mengumpulkan Data Training
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.
- 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)
Istilah: Data Training
Penjelasan
Data awal yang digunakan untuk melatih komputer. Semakin beragam dan jelas, hasil belajarnya makin bagus.
Istilah: Prediksi (Inference)
Penjelasan
Saat model yang sudah terlatih mencoba mengenali data baru dan memberikan hasil tebakan.
Jenis Proyek di Google Teachable Machine
Setelah membuka https://teachablemachine.withgoogle.com, kalian akan menemukan tiga jenis proyek seru. Masing-masing punya kegunaan yang berbeda:
1. Image Project
Dengan Google Teachable Machine, kalian bisa:
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:
- Kita beri gambar buah yang belum pernah dilihat komputer.
- Komputer menebak: ini apel atau jeruk?
- Proses ini disebut prediksi atau inference.
Istilah: Data Training
Penjelasan
Data awal yang digunakan untuk melatih komputer. Semakin beragam dan jelas, hasil belajarnya makin bagus.
Istilah: Prediksi (Inference)
Penjelasan
Saat model yang sudah terlatih mencoba mengenali data baru dan memberikan hasil tebakan.
Jenis Proyek di Google Teachable Machine
Setelah membuka https://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.
- Untuk mengenali suara.
- Contoh: suara tepuk tangan, tawa, atau suara binatang.
- Untuk mengenali gerakan atau posisi tubuh.
- Contoh: saat berdiri, jongkok, mengangkat tangan.
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.
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:
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:
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:
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 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!
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.
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.
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!
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.
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 MTs/SMP!
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 MTs/SMP!