Google Teachable Machine untuk Guru

Salah satu materi penting untuk mengenal cara kerja akal imitasi (AI) adalah konsep machine learning. AI adalah bidang yang luas, bertujuan untuk membuat mesin cerdas dan machine learning adalah salah satu teknik utama di dalamnya untuk membuat mesin belajar dari data.

Apa itu machine learning atau pembelajaran mesin? Ini mirip latihan yang dilakukan manusia, mengenali obyek dari contoh, mengingat polanya, lalu menyimpulkan ciri-ciri obyek dari contoh tersebut.

Karena sangat mengandalkan contoh, maka semakin banyak contoh, semakin “bagus” buat mesin. Tentu bukan sekadar banyak, tetapi harus beragam. Tingkat keragaman membuat kesimpulan yang diambil mesin semakin detail dan akurat.

Dalam bahasa teknis, ini disebut “parameter”. Ia semacam “pembobotan” atau “nilai penting” yang diberikan model AI kepada setiap “ciri khusus” (istilah teknisnya: fitur) dari sebuah obyek yang dipelajari. Misalnya, saat mesin belajar mengenali gambar Apel, ciri-ciri khusus yang ia lihat adalah:

• Warna: Merah, Hijau
• Bentuk: Bulat
• Tekstur: Halus

Parameter berbentuk angka ini secara otomatis disesuaikan oleh model selama proses pelatihan untuk menentukan seberapa penting setiap ciri tersebut. Mana ciri yang penting untuk mengenali Apel?

Model mungkin akan memberikan bobot yang sangat tinggi pada ciri “berbentuk bulat” dan “berwarna merah” untuk mengidentifikasi Apel. Sementara, tekstur “halus” bisa mendapat bobot yang lebih rendah untuk ciri khas Apel, karena buah lain bisa punya tekstur yang sama.

Untuk membantu memahami konsepnya, guru, atau orang tua, dapat memanfaatkan alat bantu belajar yang disediakan gratis secara online. Guru pun bisa memahami sendiri konsep machine learning dari alat bantu ini, sebelum mengajak siswa ikut belajar.

Google Teachable Machine adalah salah satu alat berbasis web untuk mempermudah siapa pun, termasuk guru dan siswa, dalam memahami cara kerja model machine learning dengan cepat dan mudah, tanpa perlu menulis satu baris kode pun.

Ada beberapa alat lain yang mungkin bisa dicoba:

Lobe (oleh Microsoft): Mirip dengan Teachable Machine, Lobe adalah aplikasi desktop gratis yang memungkinkan Anda melatih model AI untuk mengenali gambar. Keunggulannya adalah antarmuka yang sangat sederhana dan kemampuan untuk mengintegrasikan model yang sudah dilatih ke dalam aplikasi lain.

Cognimates (dari MIT Media Lab): Ini adalah platform pemrograman visual yang berbasis Scratch, di mana siswa dapat membuat proyek AI mereka sendiri. Cocok untuk siswa yang sudah akrab dengan konsep pemrograman blok dan ingin mendalami AI, robotika, dan pembelajaran mesin.

Scratch with AI extensions: Platform Scratch yang sangat populer untuk anak-anak juga memiliki ekstensi yang memungkinkan siswa berinteraksi dengan AI. Ini memungkinkan mereka untuk membuat cerita atau game interaktif yang merespons teks, ucapan, atau gambar.

Kali ini mari kita coba dengan Teachable Machine. Memanfaatkan platform dari Google ini, guru atau orang tua dapat:

• Melatih model AI secara visual: Anda dapat mengajari komputer untuk mengenali pola dari data yang Anda berikan, seperti gambar, suara, atau gerakan tubuh, menggunakan webcam atau file yang diunggah.
• Mendemonstrasikan konsep AI secara langsung: Guru atau orang tua dapat menggunakan alat ini untuk menunjukkan secara praktis bagaimana model AI “belajar” dari data, bagaimana bias dapat muncul dari data yang tidak representatif, dan bagaimana data yang berbeda akan menghasilkan hasil yang berbeda.
• Menciptakan proyek AI interaktif: Ini memungkinkan siswa untuk berkreasi dan membuat proyek AI sederhana mereka sendiri, mengubah konsep yang abstrak tentang “model” menjadi pengalaman belajar yang nyata dan menyenangkan.

Berikut adalah panduan langkah demi langkah untuk membuat proyek sederhana:

Langkah 1: Membuka Aplikasi Teachable Machine

1. Buka browser web Anda dan kunjungi situs web Teachable Machine di: https://teachablemachine.withgoogle.com/
2. Klik tombol “Get Started” atau “Mulai” di pojok kanan atas laman untuk masuk ke halaman pembuatan proyek.

Langkah 2: Memilih Tipe Proyek

Anda akan melihat tiga pilihan proyek:

• Image Project: Melatih model untuk mengenali gambar (misalnya, mengenali kucing vs. anjing). Ini adalah pilihan terbaik untuk pemula.
• Audio Project: Melatih model untuk mengenali suara (misalnya, tepuk tangan vs. siulan).
• Pose Project: Melatih model untuk mengenali pose tubuh (misalnya, pose berdiri vs. pose duduk).

Untuk pelajaran ini, pilih “Image Project”.

Langkah 3: Mengumpulkan Data Pelatihan

Ini adalah bagian terpenting dari prosesnya. Anda akan membuat “kelas” (untuk membuat klasifikasi) atau kategori, dan kemudian mengumpulkan data untuk setiap kelas.

1. Buat Kelas: Anda akan melihat dua kelas secara default (“Class 1” dan “Class 2”). Ganti nama kelas ini sesuai dengan objek yang ingin Anda kenali. Misalnya, Anda bisa mengganti namanya menjadi “Apel” dan “Bukan Apel”.
2. Kumpulkan Data: Untuk setiap kelas, Anda dapat mengumpulkan gambar menggunakan dua cara:
   • Webcam: Klik tombol “Webcam” di bawah nama kelas. Teachable Machine akan mengakses kamera Anda. Anda tinggal menempatkan obyek di depan kamera dalam berbagai sudut pengembilan gambar, nanti kamera akan merekam data/gambarnya.
   • Upload: Klik tombol “Upload” untuk mengunggah gambar dari komputer Anda. Ini berarti Anda sudah memilki stok gambar yang akan dijadikan bahan belajar si mesin. Unggah semua contoh gambar yang sudah dikumpulkan sebelumnya.
3. Tips Penting untuk Pengumpulan Data:
   • Kumpulkan banyak data (50+ sampel) untuk setiap kelas.
   • Pastikan data Anda beragam. Misalnya, jika kelas Anda adalah “Apel”, ambil gambar apel dari berbagai sudut, dengan pencahayaan berbeda, dan di latar belakang yang berbeda.
   • Sertakan “data negatif”. Jika kelas Anda adalah “Apel” dan “Bukan Apel”, pastikan kelas “Bukan Apel” memiliki gambar-gambar yang beragam, seperti pisang, buku, atau tangan Anda sendiri. Ini melatih model untuk membedakan obyek yang bukan apel.

Langkah 4: Melatih Model

Setelah Anda puas dengan data yang dikumpulkan, Anda siap untuk membuat model melalui pelatihan.

1. Klik tombol “Train Model” di bagian tengah layar.
2. Tunggu sebentar. Teachable Machine akan memproses data Anda dan menciptakan model AI. Anda akan melihat progres dalam bentuk bar. Ini adalah bagian yang paling ajaib bagi siswa, karena mereka bisa melihat “belajar”nya AI secara visual.

Langkah 5: Menguji dan Mengekspor Model

Setelah pelatihan selesai, Anda mendapatkan “model” hasil pelatihan. Model ini dapat disimpan dan digunakan di tempat/aplikasi yang lain. Sekarang, kita tes dulu kinerja si model secara langsung.

1. Uji Coba: Di panel “Preview”, gunakan kamera atau unggah berkas gambar untuk menunjukkan objek baru kepada model. Teachable Machine akan menampilkan persentase kemungkinan bahwa objek tersebut termasuk dalam salah satu kelas yang telah Anda latih (Apple atau Bukan Apple).
2. Eksplorasi Bias: Dengan sengaja tunjukkan objek yang mirip atau berbeda dan lihat bagaimana model merespons. Minta siswa berdiskusi mengapa model bisa benar atau salah. Ini adalah kesempatan bagus untuk mengulas kembali topik bias data dalam sistem AI.
3. Ekspor Model: Jika Anda ingin menggunakan model ini di luar Teachable Machine, klik tombol “Export Model” untuk mengunduh kode atau tautan yang relevan.

Tips tambahan, cobalah menunjukkan barang atau obyek yang belum pernah “dilihat” sebelumnya. Artinya, ini adalah bahan yang tidak dilatihkan dalam Langkah 3. Mirip seperti manusia, bila mesin pernah “melihat” contohnya, ia dengan mudah dapat menebak.

Bandingkan dengan menunjukkan barang atau obyek yang sudah pernah dilatihkan sebelumnya. Seharusnya mesin akan sangat yakin (100%) bahwa gambar yang ditunjukkan itu sesuai kategorinya. Misal, waktu latihan diberi gambar Apel utuh, dan gambar yang sama ditunjukkan lagi.

Dari skor “tingkat kepercayaan” yang ditampilkan mesin setelah mendapat input baru, kita tahu seberapa yakin mesin itu menebak obyek dengan kategori yang sesuai. Misal: Ketika Anda tunjukkan Apel yang telah terpotong (1/2 atau 1/3), apakah mesin masih yakin 100% itu Apel?

Dari sini dapat disimpulkan beberapa hal, misalnya jumlah contoh yang ditunjukkan sangat berpengaruh. Semakin banyak contoh dengan beragam variasi, akan memudahkan mesin mengenali pola obyek dimaksud. Begitu pula varian lain, misalnya ukuran atau warna.

Bila mesin tidak pernah melihat Apel hijau, hanya disajikan contoh Apel warna merah, maka ia tidak bisa mengenali obyek Apel yang berwarna hijau. Ia hanya “tahu” Apel itu berwarna merah. Begitupun dalam hal ukuran, bila kita hanya menyajikan ukuran besar, ia akan ragu ketika melihat Apel ukuran kecil.

Menggunakan Teachable Machine akan memberikan pengalaman langsung kepada siswa tentang bagaimana data memengaruhi hasil AI, dan betapa pentingnya data yang beragam, adil, dan berkualitas.

^{*Tangkapan layar dari situs Teachable Machine with Google}