Oleh:
(403211010045)
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.
Penulis
i
DAFTAR ISI
ii
BAB I
PENDAHULUAN
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.
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
2
3. Agar bisa membuatan model machine learning meggunakan teachable
machine.
3
BAB II
LANDASAN TEORI
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.
5
Gambar 1. Classifier, kasus simple fungsi linear (Sergios Theodoridis, 2015).
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.
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
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.
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.
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.
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.
13
Untuk lebih jelasnya, yuk pratik menggunakan hasil foto kasus Bunga. Tools yang
dibutuhkan adalah,
• Kaggle (Dataset)
• Teachable Machine
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.
Teachable Machine
https://teachablemachine.withgoogle.com/train
14
Gambar 3. Tampilan Awal
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.
16
Gambar 8. Kelas Orchid
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.
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.
18
Gambar 12. Export
selain itu kita juga dapat mencoba model yang telah dibuat dengan cara upload salah
satu foto dalam dataset Bunga.
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
5.2 Saran
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
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
24