🛠️ Tata Cara Menggunakan Teachable Machine
Teachable Machine pada dasarnya mengikuti 3 langkah utama: Kumpulkan, Latih, dan Ekspor.
💡 Konsep Dasar Machine Learning yang Dipelajari
Melalui Teachable Machine, kita dapat mempelajari beberapa konsep fundamental dalam Machine Learning secara praktik dan intuitif:
1. Data adalah Kunci (Data Collection)
Kita belajar bahwa model ML membutuhkan data pelatihan (training data) dalam jumlah yang cukup dan berkualitas baik. Data ini dikelompokkan ke dalam kelas (classes) atau kategori (misalnya: “Kucing,” “Anjing,” “Burung”).
2. Proses Pelatihan (Training)
Kita mengerti bahwa “melatih” model adalah proses di mana algoritma ML menganalisis data yang kita berikan, mencari pola dan ciri-ciri (fitur) khusus dari setiap kelas, dan menciptakan algoritma yang mampu mengklasifikasikannya.
3. Pengujian dan Akurasi (Testing and Accuracy)
Setelah dilatih, model perlu diuji dengan data baru (data testing) untuk melihat seberapa akurat model tersebut dapat mengenali atau memprediksi kategori. Kita melihat hasil prediksi dalam bentuk persentase probabilitas, yang menunjukkan tingkat keyakinan AI.
🛠️ Tata Cara Menggunakan Teachable Machine
1. 🖼️ Memulai Proyek dan Mengumpulkan Data (The “Collect” Step)
Langkah pertama adalah menentukan jenis proyek dan memberikan data pelatihan.
- Akses situs web Teachable Machine (cari di Google).
- Klik “Get Started” atau “Mulai”.
- Pilih jenis proyek Anda. Untuk contoh ini, kita pilih “Image Project” (Proyek Gambar).
Mengatur Kelas (Classes):
- Anda akan melihat dua kotak kelas awal (Class 1 dan Class 2). Ganti nama kelas-kelas ini sesuai dengan kategori yang ingin dikenali model Anda (misalnya: “Tangan Terbuka” dan “Tangan Tertutup”).
- Untuk setiap kelas, kumpulkan data sampel dengan mengklik tombol “Webcam” atau “Upload”:
- Webcam: Rekam banyak contoh gambar (sekitar 30-100 sampel) sambil menggerakkan objek atau posisi Anda di depan kamera.
- Upload: Unggah file gambar yang sudah Anda siapkan dari komputer.
- Penting: Pastikan setiap kelas memiliki jumlah sampel yang seimbang dan beragam agar model tidak bias atau salah mengenali.
2. 🧠 Melatih Model (The “Train” Step)
Setelah data terkumpul, saatnya melatih model agar ia belajar mengenali pola dari setiap kelas.
- Klik tombol “Train Model” (Latih Model).
- Tunggu hingga proses pelatihan selesai. Ini mungkin memerlukan waktu beberapa detik hingga beberapa menit tergantung jumlah data dan kecepatan koneksi internet Anda.
- Selama proses ini, Teachable Machine sedang membuat algoritma yang menganalisis fitur-fitur unik dari gambar di setiap kelas.
3. ✨ Menguji dan Mengekspor (The “Export” Step)
Setelah pelatihan selesai, Anda dapat langsung menguji model Anda.
Menguji Model:
- Di panel “Preview” (Pratinjau) di sebelah kanan, uji model secara real-time menggunakan kamera atau unggahan file baru yang bukan merupakan bagian dari data pelatihan.
- Perhatikan hasil di bawah kotak pratinjau. Hasil akan menampilkan persentase probabilitas untuk setiap kelas (misalnya: “Tangan Terbuka: 95%, Tangan Tertutup: 5%”).
- Jika akurasi rendah, kembali ke Langkah 1 dan tambahkan lebih banyak variasi data ke kelas yang sering salah dikenali.
Mengekspor Model:
Klik “Download my model” (Unduh model saya) untuk mendapatkan file model dan kode sampel yang dapat Anda gunakan di proyek Anda.
Jika Anda puas dengan hasilnya, klik tombol “Export Model” (Ekspor Model).
Anda dapat memilih format ekspor (misalnya, TensorFlow.js untuk web atau TensorFlow Lite untuk aplikasi seluler).