BAB 4

🤖

Mengembangkan Sistem Kecerdasan Artifisial

Belajar membuat model kecerdasan artifisial sendiri menggunakan Teachable Machine dan RAISE Playground untuk pengenalan gambar, suara, dan pose tubuh, serta merancang projek kreatif berbasis KA.

Topik Pembelajaran:

Mengenal Teachable Machine (Platform KA dari Google)
Projek Pengenalan Gambar dengan KA
Tahap Pengumpulan Data dan Ekstraksi Fitur
Tahap Pelatihan Model dan Prediksi
Projek Mini: Pemilah Sampah Pintar
Pengenalan Suara dengan Teachable Machine
Teknik Pengenalan Pose Tubuh oleh KA
Projek Mini: Kontrol Gim Sederhana dengan Pose
RAISE Playground dan Integrasi Model KA
Projek Kreatif: Kampanye Digital Bersama KA

A. Mengenal Teachable Machine

Teachable Machine adalah platform berbasis web dari Google yang memungkinkan siapa saja untuk membuat model machine learning tanpa perlu menulis kode pemrograman. Platform ini dirancang agar mudah digunakan oleh pemula, termasuk siswa SMP, untuk memahami cara kerja kecerdasan artifisial secara langsung.

Apa itu Machine Learning?

Machine Learning (pembelajaran mesin) adalah bagian dari kecerdasan artifisial di mana komputer belajar dari data tanpa diprogram secara eksplisit. Komputer menganalisis banyak contoh data, mengenali pola, dan kemudian dapat membuat prediksi atau klasifikasi terhadap data baru yang belum pernah dilihat sebelumnya.

Kemampuan Teachable Machine

📷 Pengenalan Gambar

Melatih model untuk mengenali dan mengklasifikasikan objek berdasarkan gambar yang diambil dari webcam atau diunggah.

🎤 Pengenalan Suara

Melatih model untuk mengenali berbagai jenis suara atau kata-kata tertentu menggunakan mikrofon.

🧒 Pengenalan Pose

Melatih model untuk mengenali posisi atau gerakan tubuh manusia secara real-time melalui kamera.

💡 Akses Teachable Machine

Teachable Machine dapat diakses secara gratis melalui browser di alamat teachablemachine.withgoogle.com. Tidak perlu menginstal aplikasi tambahan, cukup memiliki koneksi internet dan webcam/mikrofon.

B. Projek Pengenalan Gambar dengan KA

Dalam projek ini, kamu akan membuat model KA yang dapat membedakan jenis-jenis objek berdasarkan gambar. Misalnya, membedakan antara buah apel, jeruk, dan pisang, atau membedakan antara sampah organik dan anorganik.

1. Tahap Pengumpulan Data

Langkah pertama dan paling penting dalam membuat model KA adalah mengumpulkan data. Semakin banyak dan beragam data yang dikumpulkan, semakin akurat model yang dihasilkan.

1 Tentukan Kelas (Kategori) - Buat minimal 2 kelas yang ingin dibedakan. Contoh: "Apel" dan "Jeruk", atau "Organik" dan "Anorganik".

2 Kumpulkan Gambar - Gunakan webcam untuk mengambil banyak foto setiap objek dari berbagai sudut, pencahayaan, dan jarak. Minimal 30-50 gambar per kelas.

3 Pastikan Variasi - Ambil gambar dengan posisi berbeda, latar belakang berbeda, dan pencahayaan berbeda agar model lebih robust.

2. Tahap Ekstraksi Fitur

Ekstraksi fitur adalah proses di mana komputer menganalisis setiap gambar dan mengidentifikasi ciri-ciri penting yang membedakannya dari gambar lain. Fitur ini bisa berupa bentuk, warna, tekstur, pola, atau tepi objek.

Komputer mengubah setiap gambar menjadi kumpulan angka (vektor fitur)
Fitur yang penting akan diberi bobot lebih besar
Fitur yang tidak relevan akan diabaikan

3. Tahap Pelatihan Model

Setelah data dikumpulkan dan fitur diekstraksi, model akan dilatih untuk mengenali pola dari data tersebut.

1 Klik "Train Model" di Teachable Machine setelah semua data terkumpul.

2 Tunggu proses pelatihan - Biasanya membutuhkan beberapa menit tergantung jumlah data.

3 Uji model dengan mengarahkan webcam ke objek baru dan lihat apakah model dapat mengklasifikasikannya dengan benar.

4. Tahap Prediksi

Setelah model dilatih, ia dapat digunakan untuk memprediksi atau mengklasifikasikan objek baru yang belum pernah dilihat sebelumnya. Model akan memberikan skor kepercayaan (confidence score) untuk setiap kelas, menunjukkan seberapa yakin model terhadap prediksinya.

⚠ Tip untuk Model yang Akurat

Gunakan minimal 50 gambar per kelas untuk hasil yang baik
Pastikan pencahayaan cukup saat mengambil gambar
Hindari latar belakang yang mengganggu (terlalu ramai)
Ambil gambar dari berbagai sudut dan jarak
Jika model kurang akurat, tambahkan lebih banyak data dan latih ulang

C. Projek Mini: Pemilah Sampah Pintar

Projek ini menggabungkan pemahaman tentang pengelolaan sampah dengan kemampuan membuat model KA. Kamu akan membuat sistem yang dapat mengenali jenis sampah dan mengelompokkannya secara otomatis.

🌱 Tujuan Projek

Membuat model KA yang dapat membedakan sampah organik (sisa makanan, daun) dan sampah anorganik (plastik, kaleng, kertas) melalui kamera webcam.

Langkah-Langkah Pembuatan

1 Buka Teachable Machine - Pilih tipe projek "Image Project".

2 Buat 2 Kelas - Beri nama "Organik" dan "Anorganik".

3 Kumpulkan Data - Ambil foto berbagai sampah organik (kulit pisang, sisa nasi, daun kering) dan anorganik (botol plastik, kaleng, kertas) menggunakan webcam. Minimal 50 foto per kelas.

4 Latih Model - Klik "Train Model" dan tunggu hingga selesai.

5 Uji dan Evaluasi - Arahkan kamera ke sampah baru dan lihat apakah model mengenali jenisnya dengan benar.

6 Ekspor Model - Model dapat diunduh atau disematkan ke website/aplikasi lain.

💡 Pengembangan Lanjutan

Model yang sudah dilatih dapat diintegrasikan ke dalam aplikasi Scratch atau website menggunakan kode yang disediakan oleh Teachable Machine. Ini memungkinkan kamu membuat gim atau simulasi interaktif yang menggunakan model KA secara langsung.

D. Pengenalan Suara dengan Teachable Machine

Selain gambar, Teachable Machine juga dapat digunakan untuk melatih model yang mengenali suara. Ini berguna untuk membuat perintah suara, mendeteksi bunyi tertentu, atau membuat aplikasi yang merespons kata-kata.

Langkah-Langkah Pembuatan Model Pengenalan Suara

1 Pilih "Audio Project" di halaman utama Teachable Machine.

2 Buat Kelas Suara - Misalnya: "Tepuk Tangan", "Bersin", "Hening" (background noise).

3 Rekam Suara - Tahan tombol rekam untuk setiap kelas. Rekam banyak sampel dengan variasi volume dan jarak dari mikrofon.

4 Latih Model - Klik "Train Model" dan tunggu hingga proses selesai.

5 Uji Model - Buat suara dan lihat apakah model dapat mengenalinya dengan benar.

🎧 Contoh Penerapan

Aplikasi yang menyalakan lampu saat mendengar kata "nyala"
Sistem yang mendeteksi suara bayi menangis
Gim yang dikendalikan oleh tepukan tangan
Alarm yang aktif saat mendeteksi suara pecahan kaca

E. Teknik Pengenalan Pose Tubuh oleh KA

Pengenalan pose (pose detection) adalah teknik di mana KA dapat mengenali posisi dan gerakan tubuh manusia secara real-time melalui kamera. Teknologi ini mendeteksi titik-titik penting (keypoints) pada tubuh seperti bahu, siku, pergelangan tangan, pinggul, lutut, dan pergelangan kaki.

Bagaimana Pengenalan Pose Bekerja?

📷 Deteksi Tubuh

Kamera menangkap gambar tubuh manusia dan KA mengidentifikasi bentuk tubuh secara keseluruhan.

📍 Identifikasi Keypoints

KA menandai titik-titik penting (keypoints) pada tubuh: kepala, bahu, siku, tangan, pinggul, lutut, kaki.

📐 Analisis Posisi

Dari posisi keypoints, KA dapat menentukan apakah seseorang sedang berdiri, duduk, melambaikan tangan, atau berolahraga.

⚡ Respons Real-Time

Hasil analisis dapat digunakan langsung untuk mengontrol aplikasi, gim, atau perangkat lain secara real-time.

Contoh Penerapan Pengenalan Pose

Gim interaktif: Mengontrol karakter gim dengan gerakan tubuh
Olahraga: Menganalisis teknik gerakan atlet
Rehabilitasi: Memantau pasien saat latihan fisik
Keamanan: Mendeteksi perilaku mencurigakan di area publik

F. Projek Mini: Kontrol Gim Sederhana dengan Pose

Dalam projek ini, kamu akan menggabungkan Teachable Machine dengan RAISE Playground (platform dari MIT Media Lab) untuk membuat gim sederhana yang dikendalikan oleh gerakan tubuh.

Apa itu RAISE Playground?

RAISE Playground (playground.raise.mit.edu) adalah platform dari MIT Media Lab yang memungkinkan pengguna membuat projek kreatif dengan mengintegrasikan model KA. Platform ini mendukung ekstensi Teachable Machine sehingga model yang sudah dilatih dapat langsung digunakan dalam projek.

Langkah-Langkah Merancang Model Pengenalan Pose

1 Buka Teachable Machine dan pilih "Pose Project".

2 Buat Kelas Gerakan - Misalnya: "Tangan Kanan Naik", "Tangan Kiri Naik", "Diam" (posisi netral).

3 Rekam Pose - Lakukan setiap gerakan di depan webcam dan rekam banyak sampel untuk setiap kelas.

4 Latih Model - Klik "Train Model" dan uji akurasinya.

5 Ekspor Model - Salin tautan model yang sudah dilatih.

6 Buka RAISE Playground di tab baru dan klik "Add Extension".

7 Pilih ekstensi Teachable Machine dari daftar yang muncul.

8 Masukkan tautan model dan mulai membuat logika gim menggunakan blok perintah.

🎮 Contoh Logika Gim

Tangan kanan naik → Karakter bergerak ke kanan
Tangan kiri naik → Karakter bergerak ke kiri
Kedua tangan naik → Karakter melompat
Posisi diam → Karakter berhenti

G. Projek Kreatif: Kampanye Digital Bersama KA

Sebagai puncak pembelajaran Bab 4, kamu akan merancang projek kreatif yang menggabungkan seluruh keterampilan yang telah dipelajari: berpikir komputasional, literasi digital, etika KA, dan pengembangan model kecerdasan artifisial.

1. Memilih Topik Kampanye

Pilih topik yang relevan dengan kehidupan sehari-hari dan lingkungan sekitar:

🌱 Lingkungan

Pemilahan sampah, penghematan air, penghijauan, atau pengurangan plastik.

📚 Pendidikan

Motivasi belajar, literasi digital, atau bahaya hoaks.

💪 Kesehatan

Pola hidup sehat, olahraga, atau kesehatan mental remaja.

🌎 Sosial

Anti-bullying, toleransi, atau kesetaraan gender.

2. Integrasi KA dalam Projek

Kamu dapat menggunakan model KA yang sudah dibuat sebagai bagian dari kampanye:

Model pengenalan gambar untuk mengidentifikasi jenis sampah dalam poster interaktif
Model pengenalan suara untuk membuat aplikasi kuis berbasis suara
Model pengenalan pose untuk membuat gim edukatif tentang olahraga

3. Menyusun Presentasi dan Dokumentasi

1 Judul Projek - Nama yang menarik dan menggambarkan isi projek.

2 Latar Belakang - Mengapa topik ini penting dan masalah apa yang ingin diselesaikan.

3 Tujuan - Apa yang ingin dicapai melalui projek ini.

4 Proses Pembuatan - Dokumentasikan langkah-langkah pembuatan model KA, data yang dikumpulkan, dan hasil pelatihan.

5 Hasil dan Dampak - Tunjukkan bagaimana model bekerja dan dampaknya bagi audiens.

6 Refleksi - Pelajaran yang didapat, tantangan yang dihadapi, dan rencana pengembangan selanjutnya.

💡 Tip Presentasi yang Efektif

Gunakan slide yang visual dan minim teks
Tampilkan demo langsung model KA yang sudah dibuat
Ceritakan proses dan tantangan yang dihadapi selama pembuatan
Libatkan audiens untuk mencoba model secara langsung
Sampaikan pesan moral dan ajakan bertindak dari kampanyemu

H. Mengembangkan Instruksi (Prompt) untuk KA

Prompt engineering adalah keterampilan menyusun instruksi atau pertanyaan yang efektif agar KA generatif dapat memberikan jawaban yang tepat dan bermanfaat. Prompt yang baik akan menghasilkan output yang lebih akurat dan relevan.

Contoh Prompt untuk Berbagai Tujuan

Tujuan	Contoh Prompt
Belajar	"Tolong jelaskan langkah demi langkah cara menyelesaikan persamaan kuadrat menggunakan rumus ABC. Berikan dua soal latihan beserta jawabannya."
Ide Projek	"Berikan lima ide projek sains sederhana tentang energi terbarukan untuk murid SMP dengan bahan yang mudah diperoleh di rumah."
Penelitian	"Saya sedang melakukan penelitian tentang [topik]. Bantu saya dengan: a) 3-5 pertanyaan penelitian, b) Jenis informasi yang perlu dicari, c) Sumber yang disarankan."

⚠ Prinsip Prompt yang Efektif

Spesifik: Jelaskan dengan detail apa yang kamu inginkan
Terstruktur: Gunakan nomor atau poin untuk permintaan yang kompleks
Kontekstual: Berikan latar belakang agar KA memahami situasimu
Iteratif: Jika jawaban kurang tepat, perbaiki prompt dan coba lagi
Verifikasi: Selalu periksa kebenaran jawaban yang diberikan KA

Ringkasan Bab

Teachable Machine adalah platform dari Google untuk membuat model machine learning tanpa coding
Machine learning memungkinkan komputer belajar dari data dan mengenali pola secara otomatis
Teachable Machine mendukung tiga tipe projek: pengenalan gambar, suara, dan pose
Proses pembuatan model KA: pengumpulan data → ekstraksi fitur → pelatihan model → prediksi
Semakin banyak dan beragam data yang dikumpulkan, semakin akurat model yang dihasilkan
Pengenalan pose mendeteksi titik-titik penting (keypoints) pada tubuh manusia secara real-time
RAISE Playground dari MIT memungkinkan integrasi model KA ke dalam projek kreatif
Prompt engineering adalah keterampilan menyusun instruksi yang efektif untuk KA generatif
Projek KA dapat diterapkan untuk kampanye sosial, edukasi, dan pemecahan masalah nyata

Baca Bab Ini →

BAB 4 : Mengembangkan Sistem Kecerdasan Artifisial