MAKALAH DATA MINING

“PEMANFAATAN TEACHABLE MACHINE DALAM

PENGEMBANGAN MODEL MACHINE LEARNING”

Oleh:

KANTINI YUDI PUTRI

(403211010045)

PRODI SISTEM INFORMASI

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS ISLAM INDRAGIRI

2023
 KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena telah
melimpahkan rahmat dan berkah-Nya sehingga penulis dapat menyelesaikan tugas
penulisan makalah individu ini dengan baik dan tanpa kendala apapun.

Pada kesempatan ini, penulis juga mengucapkan terima kasih kepada pihak
yang telah membantu sekaligus memberi dukungan dalam penyusunan makalah ini,
terutama dosen pengampu Bapak Masfaruddin, kedua orang tua dan teman-teman
seperjuangan.

Makalah berjudul “PEMANFAATAN TEACHABLE MACHINE DALAM

PENGEMBANGAN MODEL MACHINE LEARNING” ini disusun untuk
memenuhi tugas semester 4 mata kuliah Data Mining.

Penulis memohon maaf bila masih terdapat kekurangan dalam penyusunan

makalah ini, baik secara materi maupun penyampaian dalam karya tulis ini. Penulis
juga menerima kritik serta saran dari pembaca agar dapat membuat makalah dengan
lebih baik dikesempatan berikutnya.

Penulis berharap makalah ini memberikan manfaat dan dampak besar

sehingga dapat menjadi inspirasi bagi pembaca, terutama mahasiswa sistem
informasi.

Tembilahan, 12 Juli 2023

Penulis

i
 DAFTAR ISI

KATA PENGANTAR ............................................................................................... i

DAFTAR ISI ........................................................................................................... ii

BAB I PENDAHULUAN ........................................................................................1

1.1 Latar Belakang .........................................................................................1

1.2 Rumusan Masalah .....................................................................................2

1.3 Tujuan ........................................................................................................2

BAB II LANDASAN TEORI ..................................................................................4

2.1 Machine Learning ......................................................................................4

2.2 Klasifikasi ..................................................................................................4

2.3 Teachable Machine Tensorflow .................................................................6

BAB III METODE PENELITIAN ...........................................................................8

BAB IV PEMBAHASAN ........................................................................................9

4.1 Fungsi dan Kegunaan Teachable Machine ................................................9

4.2 Cara Kerja Teachable Machine................................................................ 11

4.3 Contoh Implementasi dalam Pembuatan Model Machine Learning

menggunakan Platform Teachable Machine.......................................................12

5 Flower Types Classification DataSet ...............................................................14

Teachable Machine .............................................................................................14

BAB V PENUTUP .................................................................................................21

5.1 Kesimpulan ..............................................................................................21

5.2 Saran ........................................................................................................21

DAFTAR PUSTAKA .............................................................................................23

ii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Teknologi ini menggabungkan pembelajaran mesin dan pengenalan pola

untuk memberdayakan pengguna yang tidak memiliki pengalaman dalam
pemrograman atau kecerdasan buatan untuk membuat model pembelajaran mesin
mereka sendiri.

Sebelumnya, pengembangan model pembelajaran mesin seringkali

memerlukan pengetahuan khusus dalam pemrograman dan kecerdasan buatan.
Namun, Teachable Machine memungkinkan pengguna untuk membuat model
pembelajaran mesin hanya dengan menggunakan kamera dan mikrofon untuk
mengumpulkan data pelatihan.

Dengan Teachable Machine, pengguna dapat melatih model mereka sendiri

untuk mengenali pola visual atau suara tertentu. Contohnya, seseorang dapat
melatih model untuk mengenali perbedaan antara gambar kucing dan anjing, atau
mengenali berbagai suara instrumen musik. Pengguna hanya perlu memberikan
contoh data latihan yang mencakup contoh-contoh dari pola yang ingin dikenali,
dan Teachable Machine akan secara otomatis mempelajari pola-pola tersebut dan
membuat model pembelajaran mesin yang dapat digunakan untuk mengenali pola
serupa di masa depan.

Pemanfaatan Teachable Machine sangat beragam. Misalnya, dalam bidang

pendidikan, guru dapat menggunakan Teachable Machine untuk membuat model
yang membantu mengajar siswa mengenali huruf, angka, atau objek tertentu. Di
bidang industri, Teachable Machine dapat digunakan untuk mengenali cacat dalam
produksi atau mengendalikan proses otomatisasi. Selain itu, di bidang kreatif,
Teachable Machine dapat digunakan untuk menciptakan interaksi yang unik dalam
karya seni digital atau instalasi interaktif.

1
 Dengan pemanfaatan Teachable Machine, orang-orang tanpa latar belakang
teknis yang mendalam dapat mengakses kekuatan pembelajaran mesin dan
mengaplikasikannya dalam berbagai bidang. Hal ini memperluas aksesibilitas dan
memungkinkan inovasi baru yang dapat diterapkan dalam berbagai konteks
kehidupan sehari-hari.

Teachable Machine mendukung penggunaan teknologi sensor seperti

kamera dan mikrofon untuk mengumpulkan data latihan. Hal ini memungkinkan
pengguna mengembangkan model pembelajaran mesin yang berbasis pengenalan
pola visual atau suara dengan mudah. Penggunaan teknologi sensor ini memperluas
potensi pengembangan model ML ke dalam konteks real-time dan interaktif.

Teachable Machine mendorong inovasi dan eksperimen dalam

pengembangan model pembelajaran mesin. Melalui pendekatan yang mudah
digunakan dan aksesibilitas teknis yang rendah, pengguna dapat dengan cepat
mencoba dan menguji gagasan mereka, memberi ruang bagi penemuan baru dan
aplikasi kreatif. Pemanfaatan Teachable Machine dapat berdampak pada
pengembangan model pembelajaran mesin dengan memperluas aksesibilitas,
mendorong inovasi, dan memberikan kemudahan penggunaan teknologi sensor.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, rumusan masalah yang didapat
adalah:
1. Apa fungsi dan kegunaan dari teachable machine?
2. Bagaimana cara kerja dari teachable machine?
3. Bagaimana pembuatan model machine learning meggunakan teachable
machine?

1.3 Tujuan

Tujuan yang ingin dicapai adalah:

1. Untuk mengetahui fungsi dan kegunaan dari teachable machine.
2. Untuk memahami cara kerja dari teachable machine.

2
3. Agar bisa membuatan model machine learning meggunakan teachable
machine.

3
 BAB II
LANDASAN TEORI

2.1 Machine Learning

Menurut Sergios Theodoridis (2015:17) Machine Learning merupakan

nama yang memperoleh popularitas sebagai payung untuk metode yang sudah
dipelajari dan dikembangkan selama beberapa dekade terakhir di berbagai
bidang keilmuan dan juga dengan nama nama yang berbeda, seperti, Statistical
Learning, Statistical Signal Processing, Pattern Recognition, Adaptive Signal
Processing, Image processing & Analysis, System Identification & Control, Data
Mining & Information, Retrieval, Computer Vision, dan Computational
Learning. Nama “Machine Learning” mengindikasian apa saja kesamaan pada
bidang kedisiplinan yang tadi disebutkan, yang “belajar dari data”, dan membuat
prediksi. Apa yang dicoba dipelajari dari suatu data dengan struktur yang
mendasari dan ditetapkan, melalui pengembangan sebuah model, yang nantinya
akan digunakan untuk memberikan sebuah prediksi.

2.2 Klasifikasi

Tujuan adanya klasifikasi adalah untuk menetapkan suatu pola yang tidak
diketahui kedalam beberapa class yang sudah diketahui. Sebagai contoh, dalam
X-Ray mammografi, kita diberikan sebuah gambar daerah yang
mengindikasikan keberadaan tumor. Tujuan dari sistem diagnonsis computer-
aided (CAD) adalah untuk memprediksi apakah tumor ini sama dengan klas
benign atau klas malignant. Sistem Optical character recognition (OCR) juga
dibuat berdasarkan sistem klasifikasi, dimana kesamaan gambar terhadap lembar
alfabet harus bisa dikenali dan ditetapkan pada satu dari 24 (untuk alfabet latin)
klas.

4
 Langkah pertama dalam mendesain setiap tugas machine learning adalah
untuk menentukan bagaimana caranya merepresentasikan setiap pola dalam
komputer. Hal ini didapatkan selama tahap sebelum proses, salah satu harus
“mengkode” informasi bersangkutan yang terletak didalam data raw (pixel
gambar atau karakter huruf dalam contoh sebelumnya) secara efisien dan cara
yang informatif. Ini biasanya berlaku dengan mentransformasikan data raw
didalam ruang baru dengan setiap pola yang direpresentasikan oleh vektor, x ∈
R l . Ini dikenal sebagai fitur vektor, dan elemen l ini diketahui sebagai fitur.
Dengan ini, setiap pola menjadi satu poin dalam ruang l-dimensi, diketahui
sebagai ruang fitur atau ruang input. Kita melihat ini sebagai tahap generasi fitur.

Setelah menentukan ruang input, dimana data direpresentasikan, salah

satunya harus merangkai sebuah classifier. Berdasarkan training data, salah
satunya dibuat sebagai function, f, yang memprediksi label output yang telah
memperoleh input, hal ini memberikan pertimbangan yang baik sebagai nilai
dari sebuah fitur. Fungsi ini diketahui sebagai classifier. Secara garis besar kita
harus mendesain suatu rangkaian fungsi.

Setelah classifier di desain, sistem siap untuk memprediksi. Memperoleh

suatu pola yang tidak diketahui, buat sebuah kesamaan fitur vektor, x, dari
sebuah raw data, dan kita memasukan nilai ini terhadap classifier, tergantung
dari sebuah nilai f(x) polanya di klasifikasi kedalam satu dari 2 klas. Pada
mulanya kita diberikan rangkaian poin, setiap poin merepresentasikan pola
didalam ruang 2 dimensi (2 fitur digunakan, xi, x2). Stars termasuk dari 1 klas,
w1 misalkan dan yang bersilangan dengannya, w2, didalam tugas 2 klas
klasifikasi. Ini semuaadalah poin training. Berdasarkan semua poin ini, classifier
telah dipelajari dan didapatkan, untuk kasus paling sederhana, ini ternyata
sebuah fungsi linear.

5
Gambar 1. Classifier, kasus simple fungsi linear (Sergios Theodoridis, 2015).

Tipe machine learning yang sudah dijelaskan sebelumnya ini diketahui

sebagai supervised learning, dimana serangkaian training data dengan label yang
diketahui sudah tersedia. Sebuah training data bisa dilihat sebagai data dari
pengalaman sebelumnya, ini membuat model untuk prediksi kedepannya.

Tahapan selanjutnya adalah regresi, dimana regresi membagikan besarnya

tingkat fitur generasi/tahap seleksi, seperti dijelaskan sebelumnya, hanya saja,
sekarang masuk bagian variabel output, y, bukan diskrit tetapi mengambil nilai.
sebuah interval kedalam real axis atau dalam banyaknya daerah komples beberapa
bidang. Ketika sebuah fungsi ditemukan, ketika poin yang tidak diketahui ada,
sistem bisa memprediksi nilai output.

2.3 Teachable Machine Tensorflow

Teachable Machine adalah alat GUI (Graphic User Interface) yang

digunakan untuk membuat kecerdasan buatan model klasifikasi yang memudahkan
masyarakat umum membuat aplikasi kecerdasan buatan sendiri tanpa perlu
seseorang yang ahli di bidang machine learning / kecerdasan buatan. Kecerdasan
buatan yang disediakan googleinimenggunakan sistem learninguntuk menganalisa

6
data tanpa terprogram secara eksplisit. Tujuan dibuatnya adalah untuk
memudahkan pelajar, guru, desainer dan bidang lainnya tentang kecerdasan buatan
dengan membuat klasifikasi modelnya sendiri.

Beberapa kontribusi penting teachable machine by google di bidang pendidikan

antara lain:

1. Bersifat fleksibel, interface yang mudah dipahami dalamTensorFlow juga

ternyata dapat membantu penyelamatan hutan dengan memberi peringatan
dini terhadap potensi aktivtas deforestasi ilegal. setiap pembelajaran
algoritma rumit.
2. Kumpulan teknis dan desain keputusan yang bisa mengenalkan masa depan
tentang alat kecerdasan buatan yang interaktif.
3. Merupakan pionir contoh tentang bagaimana terstrukturisasinya
pembelajaran kecerdasan buatan dalam pengenalannya terhadap masyarakat
luas yang mengakses dan mempelajari konsep komputerisasi kecerdasan
buatan.

7
 BAB III
METODE
PENELITIAN

Objek yang diteliti pada penelitian ini berupa foto atau gambar dari bunga
dari dataset bunga yang telah dianalisa dan dikaji sebelumnya. Sistem yang telah
dikembangkan menggunakan metode CNN dapat menampilkan suatu informasi
presentase keakuratan klasifikasi gambar bunga. Penelitian ini diproyeksikan
sebagai media pengenalan bunga berbasis smartphone dengan menerapkan
teknologi Machine Learning (ML) dan platform Teachable Machine. Terdapat 5
macam bunga yang nantinya akan digunakan sebagai objek pengenalan yaitu lily,
lotus, orchid, sunflower dan tulip. Gambar atau foto dari bunga akan dipergunakan
dalam data latih pengenalan objek berjumlah sekitar 1000 gambar atau foto,
masing-masing bunga akan diambil foto atau gambarnya sebanyak 50 kali sebagai
data latih. Sedangkan foto atau gambar yang dipergunakan dalam data uji pada
pengenalan objek berjumlah sekitar 100 gambar atau foto, masing-masing gambar
atau foto dari bunga akan diujikan sebanyak 10 gambar atau foto. Gambar atau foto
yang digunakan dalam pengenalan objek bunga yang telah ditetapkan sebelumnya
yaitu memiliki lebar 224 pixel dan tinggi 224 pixel.

8
 BAB IV
PEMBAHASAN

4.1 Fungsi dan Kegunaan Teachable Machine

Teachable machine adalah web-based tool dalam membuat model machine

learning dengan cepat dan mudah. Terdapat 3 project yang saat ini disediakan
yaitu image project, audio project, dan pose project. Teachable Machine
merupakan alat yang dapat digunakan untuk membuat sebuah model klasifikasi
yang mudah digunakan untuk mengembangkan aplikasi machine
learning. Teachable Machine dapat memudahkan proses training data yang
umumnya membutuhkan banyak sumberdaya pada machine leaning. Teachable
machine akan membuat sebuah model cerdas berdasarkan kebutuhan. Pada
penelitian ini, peneliti menggunakan teachable machine untuk membuat model
berdasarkan input gambar bunga. Output teachable machine menghasilkan
model yang telah dilatih untuk mengenali gambar bunga.
Teachable Machine adalah sebuah platform yang dikembangkan oleh
Google yang memungkinkan pengguna untuk membuat model pembelajaran
mesin (machine learning) sederhana tanpa memerlukan pengetahuan atau
pengalaman pemrograman yang mendalam. Fungsi utama Teachable Machine
adalah untuk melatih model pembelajaran mesin dengan menggunakan data
yang disediakan pengguna.

Berikut adalah beberapa fungsi utama Teachable Machine:

1. Klasifikasi Gambar: Teachable Machine dapat digunakan untuk melatih

model yang dapat mengklasifikasikan gambar. Misalnya, pengguna
dapat melatih model untuk mengenali perbedaan antara gambar kucing
dan anjing, atau membedakan berbagai jenis buah.
2. Deteksi Pose Tubuh: Platform ini juga mendukung deteksi pose tubuh
manusia. Pengguna dapat melatih model untuk mengenali posisi dan
gerakan tubuh manusia dalam gambar atau video. Hal ini dapat

9
 diterapkan dalam bidang seperti augmented reality, pengenalan gerakan
tubuh, pengawasan postur, atau permainan interaktif.
3. Pengenalan Suara: Teachable Machine dapat digunakan untuk melatih
model yang dapat mengenali suara dan kata-kata yang diucapkan.
Misalnya, pengguna dapat melatih model untuk mengenali perintah suara
seperti "hidupkan" atau "matikan" untuk mengontrol suatu perangkat.
Hal ini dapat diterapkan dalam bidang seperti augmented reality,
pengenalan gerakan tubuh, pengawasan postur, atau permainan
interaktif.
4. Pendeteksian Geste: Pengguna dapat melatih model untuk mendeteksi
dan mengenali gerakan tangan atau geste. Misalnya, pengguna dapat
melatih model untuk mengenali jari-jari yang terangkat atau bentuk-
bentuk geste lainnya. Hal ini dapat diterapkan dalam bidang seperti
interaksi manusia-mesin, kendali gestur, permainan gerakan, atau
rehabilitasi fisik.
5. Pendeteksian Objek: Teachable Machine dapat melatih model untuk
mendeteksi objek tertentu dalam gambar atau video. Misalnya, pengguna
dapat melatih model untuk mendeteksi mobil, manusia, atau objek-objek
khusus lainnya.
6. Pengenalan Tulisan Tangan: Teachable Machine dapat digunakan untuk
melatih model yang dapat mengenali tulisan tangan. Ini dapat diterapkan
dalam aplikasi pengenalan karakter tulisan tangan, konversi tulisan
tangan ke teks digital, atau dalam sistem interaktif dengan masukan
tulisan tangan.

Setelah model pembelajaran mesin selesai dilatih, Teachable Machine juga

menyediakan antarmuka yang mudah digunakan untuk menguji model yang
telah dibuat dengan memanfaatkan kamera atau mikrofon perangkat yang
digunakan. Model tersebut dapat digunakan secara langsung di browser atau
diunduh untuk digunakan pada perangkat lain.

10
 Dengan Teachable Machine, Google berusaha membuat teknologi
pembelajaran mesin menjadi lebih mudah diakses dan dipahami oleh berbagai
kalangan, dan memberikan kesempatan bagi individu maupun komunitas untuk
mengembangkan aplikasi yang memanfaatkan kecerdasan buatan dengan lebih
mudah dan cepat.

4.2 Cara Kerja Teachable Machine

Teachable machine bekerja dengan cara mengumpulkan data kedalam

kelas-kelas atau kategori kemudian melatih model berdasarkan kelas yang telah
dibentuk dan akhirnya menghasilkan model machine learning dalam bentuk
Tensorflow.js yang dapat di export dan diunduh.
Teachable Machine bekerja dengan menggunakan teknik pembelajaran
mesin yang disebut "transfer learning" atau "pemindahan pengetahuan". Berikut
adalah langkah-langkah umum dalam cara kerja Teachable Machine:
1. Pengumpulan Data: Pengguna mengumpulkan dataset dengan
menyediakan contoh-contoh gambar, video, atau audio yang terkait
dengan masalah yang ingin diselesaikan. Misalnya, jika ingin melatih
model untuk mengklasifikasikan gambar kucing dan anjing, pengguna
perlu menyediakan sejumlah gambar kucing dan anjing yang berbeda.
2. Pelabelan Data: Setelah data dikumpulkan, pengguna memberikan label
atau kategori kepada setiap contoh data. Misalnya, gambar kucing akan
diberi label "kucing" dan gambar anjing akan diberi label "anjing". Label
ini diperlukan untuk melatih model dan mengenali pola dalam data.
3. Pelatihan Model: Teachable Machine menggunakan teknik pembelajaran
mesin yang telah dipre-trained untuk mengenali pola umum dalam data.
Model ini telah dilatih pada dataset yang sangat besar sehingga memiliki
pemahaman awal tentang fitur-fitur umum dalam gambar, video, atau
audio. Teachable Machine menggunakan model ini sebagai dasar untuk

11
 melatih model kustom yang sesuai dengan data yang diberikan
pengguna.
4. Fine-tuning: Setelah model awal dipilih, Teachable Machine melakukan
proses fine-tuning dengan menggunakan dataset yang diberikan
pengguna. Proses fine-tuning ini melibatkan penyesuaian parameter-
model berdasarkan data pelatihan pengguna untuk meningkatkan
kemampuan model dalam mengenali pola khusus yang relevan dengan
masalah yang ingin diselesaikan.
5. Evaluasi dan Iterasi: Setelah proses pelatihan selesai, pengguna dapat
menguji model dengan menggunakan contoh data baru yang tidak
termasuk dalam dataset pelatihan. Pengguna dapat melihat seberapa baik
model dapat mengenali dan mengklasifikasikan data yang belum pernah
dilihat sebelumnya. Jika model tidak memberikan hasil yang diinginkan,
pengguna dapat melakukan iterasi kembali dengan mengumpulkan lebih
banyak data, memperbaiki label, atau mengubah parameter pelatihan
untuk meningkatkan kinerja model.
6. Penerapan Model: Setelah model dianggap memadai, pengguna dapat
menggunakannya dalam berbagai aplikasi. Teachable Machine
menyediakan antarmuka yang mudah digunakan untuk menguji model
secara langsung melalui kamera atau mikrofon perangkat. Pengguna juga
dapat mengunduh model untuk digunakan di platform atau perangkat lain
sesuai kebutuhan.

Dengan demikian, Teachable Machine memudahkan pengguna untuk

melatih model pembelajaran mesin sendiri tanpa pengetahuan pemrograman
yang mendalam, dengan memanfaatkan teknik transfer learning dan
menyediakan antarmuka yang intuitif.

4.3 Contoh Implementasi dalam Pembuatan Model Machine Learning

menggunakan Platform Teachable Machine

12
 “Machine learning is a branch of artificial intelligence (AI) and computer
science which focuses on the use of data and algorithms to imitate the way that
humans learn, gradually improving its accuracy.”Artinya, Machine
Learning adalah salah satu cabang dari AI yang berfokus pada penggunaan data
dan algoritma untuk mengikuti pola pikir manusia yang terus berkembang dalam
meningkatkan hasil akurasi. Dari machine learning kita bisa
mendapatkan machine learning model yang merupakan file yang telah dilatih
(train) dengan banyak data sehingga membentuk algoritma untuk mengenali pola
tertentu.

Menarik ya, sekarang kita juga dapat membuat ML dan modelnya bahkan
ML app dengan kodingan yang singkat menggunakan salah satu produk dari
Google yaitu Teachable Machine. Teachable machine adalah web-based
tool dalam membuat model machine learning dengan cepat dan mudah. Terdapat
3 project yang saat ini disediakan yaitu image project, audio project, dan pose
project.

Gambar 2. Tampilan New Project

Teachable machine bekerja dengan cara mengumpulkan data kedalam kelas-kelas

atau kategori kemudian melatih model berdasarkan kelas yang telah dibentuk dan
akhirnya menghasilkan model machine learning dalam bentuk Tensorflow.js yang
dapat di export dan diunduh.

13
Untuk lebih jelasnya, yuk pratik menggunakan hasil foto kasus Bunga. Tools yang
dibutuhkan adalah,

• Kaggle (Dataset)

• Teachable Machine

Langkah pertama adalah mengumpulkan dataset. Hal ini dapat dilakukan

menggunakan Kaggle pada link berikut.

5 Flower Types Classification DataSet

https://www.kaggle.com/datasets/kausthubkannan/5-flower-types-
classification-dataset

dari link tersebut kita dapat mengunduh Bunga dataset. Dataset ini merupakan data
yang telah dikumpulan dari berbagai website dengan masing-masing data memiliki
label yang telah terverifikasi. Dataset ini berisi foto/gambar yang memiliki 5
kelas/tipe Bunga yaitu Lily, Lotus, Orchid, Sun Flower dan Tulip. Tujuan dari
publikasi dataset ini sendiri adalah untuk membuat model yang mampu memprediksi
tipe Bunga dengan tingkat akurasi yang sangat tinggi.

Selanjutnya kita dapat membuka Teachable Machine melalui link berikut.

Teachable Machine
https://teachablemachine.withgoogle.com/train

14
 Gambar 3. Tampilan Awal

Gambar 4. Kategori Image Model

Gambar 5. Image Model

15
dari link tersebut kita dapat klik Get Started kemudian memilih Image project dan
memilih kategori yang sesuai dengan image model yang kita butuhkan (standard
image model atau embedded image model). Kemudian, membuat 5 kelas sesuai
dengan tipe Bunga dan input data berupa foto dari dataset sebelumnya
menggunakan pilihan upload melalui file.

Gambar 6. Kelas Lily

Gambar 7. Kelas Lotus

16
 Gambar 8. Kelas Orchid

Gambar 9. Kelas Sunflower

Gambar 10. Kelas Tulip

17
Setelah semua foto terupload, pilih train embedded model dalam menu training.
Dalam menu training ini kita juga dapat memiliki opsi lebih lanjut seperti Epochs,
Batch size dan learning rate dengan memilih pilihan advance. Proses training sendiri
memerlukan lama waktu sesuai besar data dalam masing-masing kelas.

Gambar 11. Training

1 Epoch : Seluruh sample di Training Dataset (Pake Masker dll) sudah dilatih
melalui training model setidaknya sekali. Untuk meningkatkan hasil prediksi agar
lebih akurat, anda bisa memperbesar Epoch anda.

Batch Size: 1 batch adalah kumpulan dari samples yang digunakan untuk 1 iterasi
training. Misal, jika kita mempunyai 80 gambar, dan batch size kita 16, maka data
kita akan di pisah menjadi 80/16, yaitu 5 batches. Setelah semua 5 batches telah
dilatih oleh model, maka 1 epoch telah dilalui.

Learning Rate: Learning Rate adalah rata-rata dataset anda dilatih. Hati-hati
merubahnya, perbedaan sangat kecil saja bisa merubah hasil prediksi.

Kemudian dapat dilanjutkan dengan mengexport model Machine Learning dengan

cara memilih Export model pada preview dan download my model pada menu
Tensorflow.js

18
 Gambar 12. Export

Tensorflow.js : Anda bisa menggunakan Machine Learning di website dengan p5.js

(mungkin akan ada blog tersendiri)

Tensorflow : Anda bisa mendownload model conversion type anda

dengan Keras (no pun intended)

Tensorflow.life : Cocok untuk project-project IoT anda.

selain itu kita juga dapat mencoba model yang telah dibuat dengan cara upload salah
satu foto dalam dataset Bunga.

Gambar 13. Upload

19
dari hasil download tadi dapat kita lanjutkan membuat aplikasi Machine Learning
seperti,

• streamlit

• Apache Mahout

• Compose

• Core ML Tools

20
 BAB V
PENUTUP

5.1 Kesimpulan

Berdasarkan hasil penelitian dan pengujian yang telah dilakukan, dapat

disimpulkan beberapa hal, yaitu:
1. Hasil implementasi Teachable Machine pada aplikasi untuk mendeteksi
jenis bunga, dapat mempercepat proses training dan proses modeling
yang umumnya membutuhkan banyak sumber daya.
2. Hasil pengujian tingkat akurasi pendeteksian objek dengan total
pengujian 50 kali adalah 100%.
3. Terdapat beberapa faktor yang mempengaruhi tingkat akurasi, yaitu
kualitas kamera, pencahayaan, dan jarak pengambilan objek.
4. Aplikasi dapat digunakan untuk membantu masyarakat awam untuk
mengenali jenis bunga dan memperoleh informasi nama jenis bunga.

5.2 Saran

Saran dari penulis adalah:

1. Mengembangkan lebih banyak tutorial dan dokumentasi yang dapat
membantu pengguna memahami dan mengoptimalkan pemanfaatan
Teachable Machine.
2. Melakukan penelitian lebih lanjut dalam mengatasi keterbatasan
Teachable Machine, terutama dalam hal pengembangan model yang
lebih kompleks atau dalam domain yang lebih spesifik.
3. Menjelajahi integrasi Machine Learning dengan platform dan perangkat
lainnya untuk meningkatkan fleksibilitas dan potensi pemanfaatan
teknologi ini.

21
4. Mendorong pengembangan komunitas pengguna Teachable Machine
yang dapat berbagi pengalaman, sumber daya, dan proyek-proyek yang
dilakukan menggunakan alat ini.

22
 DAFTAR PUSTAKA

Bab II. (2021). Diakses pada 12 Juli 2023 dari

http://eprints.umpo.ac.id/8898/4/Bab%20II.pdf

Rafsanjani, Muhammad Helmi. 2020. “Penerapan Metode Edge Detector pada

Machine Learning untuk Menganalisis Masa Generatif Tumbuhan”,
diakses pada 12 Juli 2023 dari
http://epub.imandiri.id/repository/docs/TaSkripsi/Skripsi%20_Muham
mad_Helmi_Rafsanjani_361701012.pdf

Pratama, Yoga dkk. (2022). “Pemanfaatan Aplikasi Teachable Machine untuk

Pengenalan Binatang Menggunakan Konsep Convolutional Neural
Network (CNN)”. Jurnal SCRIPT Vol. 10 No. 1 Juni 2022, 2338-6313.
Diakses 12 Juli 2023, dari
https://ejournal.akprind.ac.id/index.php/script/article/download/4067/2
885

Chazar, C. Rafsanjani, M H. (2022). “Penerapan Teachable Machine Pada

Klasifikasi Machine Learning Untuk Identifikasi Bibit Tanaman”.
Seminar Nasional : Inovasi & Adopsi Teknologi “Metaverse Is The
Future Of Work” -21 Mei 2022. Diakses 12 Juli 2023, dari https://e-
journal.rosma.ac.id/index.php/inotek/article/view/207

Enggari, Sofika dkk. (2022). “Peningkatan Digital Image Processing dalam

Mendeskripsikan Tumbuhan Jamur dengan Segmentasi Warna, Deteksi
Tepi dan Kontur“. Jurnal Teknologi Dan Sistem Informasi Bisnis Vol.
4 No. 1 Januari 2022, 2655-8238. Diakses pada 12 Juli 2023 dari
http://jurnal.unidha.ac.id/index.php/jteksis/article/view/358

23
Olipmimi, Dianita. (2021). TEACHABLE MACHINE: Membuat Model Machine
Learning dengan Mudah. Diakses pada 12 Juli 2023, dari
https://medium.com/statistics-uii/teachable-machine-membuat-model-
machine-learning-dengan-mudah-27de270a6107

Iqbal, Muhammad. (2022). Praktek Machine Learning (Teachable Machine).

Diakases pada 12 Juli 2023, dari
https://miqbal.staff.telkomuniversity.ac.id/praktek-machine-learning-
teachablemachine/

Membuat Model Machine Learning Menggunakan Teachable Machine Google.

(2021). Diakses pada 12 Juli 2023, dari
https://brainpen.home.blog/2021/01/15/membuat-model-machine-
learning-menggunakan-teachable-machine-google/

BAB 1. (2022). Diakses pada 12 Juli 2023, dari

http://repositori.unsil.ac.id/4977/5/BAB_1.pdf

Tanoto, Edward. (2021). Cara membuat Machine Learning Image Classification

Model tanpa perlu Coding Sama Sekali!. Diakses pada 13 Juli 2023,
dari https://kotakode.com/blogs/3179

24