CODEA | Koding dan Kecerdasan ArtificialSemester 1Pertemuan 2 · 1 Pertemuan × 4 JP (180 menit)
Klasifikasi Benda dengan Teachable Machine
Melatih model AI untuk mengenali benda sehari-hari seperti buku, pensil, HP, botol minum menggunakan kamera
#teachable machine#image classification#klasifikasi benda#dataset
Klasifikasi Benda dengan Teachable Machine
| Aspek | Detail |
|---|---|
| Identitas Sekolah | SMK ... (disesuaikan) |
| Mata Pelajaran | CODEA — Koding dan Kecerdasan Artificial |
| Kelas/Fase | XI / F |
| Semester | 1 (Gasal) |
| Tahun Pelajaran | 2026/2027 |
| Pertemuan ke- | 2 |
| Alokasi Waktu | 1 Pertemuan × 4 JP (180 menit) |
| Materi Pokok | Image Classification dengan Teachable Machine, Dataset Image, Akurasi Model |
| Model Pembelajaran | Praktikum Langsung, Project Based Learning (PjBL), Eksperimen |
| Metode | Demonstrasi, Praktik Mandiri, Eksperimen Variasi Sample |
| Sarana & Prasarana | Laptop/Chromebook, kamera (webcam/HP), koneksi internet, benda-benda sehari-hari (buku, pensil, HP, botol minum, dompet, kunci) |
| Target Peserta Didik | Reguler |
| Jumlah Peserta Didik | 32–36 orang |
Alur Kegiatan Keseluruhan
| Tahap | Aktivitas | Waktu |
|---|---|---|
| Pendahuluan | Orientasi, apersepsi, motivasi | 20 menit |
| Inti — Persiapan | Berkeliling, foto benda sehari-hari | 30 menit |
| Inti — Training | Upload dataset ke Teachable Machine, training model | 50 menit |
| Inti — Testing | Uji coba model dengan benda baru, variasi sample | 50 menit |
| Penutup | Diskusi hasil, refleksi, tugas | 30 menit |
Capaian Pembelajaran (CP)
Pada akhir fase F, peserta didik mampu membuat dataset citra benda sehari-hari, melatih model klasifikasi gambar menggunakan platform berbasis web (Teachable Machine), serta mengevaluasi pengaruh jumlah dan kualitas data terhadap akurasi model.
Tujuan Pembelajaran (TP)
- Mengidentifikasi benda-benda sehari-hari di sekitar (buku, pensil, HP, botol minum, dompet, kunci)
- Mengumpulkan dataset citra benda menggunakan kamera
- Melatih model klasifikasi gambar menggunakan Teachable Machine
- Menguji model yang telah dilatih dengan data baru
- Menganalisis pengaruh jumlah sample terhadap akurasi model
- Menyajikan hasil eksperimen klasifikasi benda
Kriteria Ketercapaian Tujuan Pembelajaran (KKTP)
| No | Kriteria | Indikator |
|---|---|---|
| 1 | Praktik | Peserta didik berhasil melatih model dengan akurasi ≥ 80% |
| 2 | Analitis | Peserta didik mampu menjelaskan hubungan jumlah sample vs akurasi |
| 3 | Kolaboratif | Peserta didik bekerja dalam tim saat mengambil foto dan training |
| 4 | Produk | Menghasilkan model Teachable Machine yang dapat diakses via link |
Profil Pelajar Pancasila (P5)
| Dimensi | Elemen | Indikator |
|---|---|---|
| Kreatif | Menghasilkan gagasan yang orisinal | Membuat dataset foto benda dengan sudut dan pencahayaan bervariasi |
| Bernalar Kritis | Refleksi pemikiran dan proses berpikir | Menganalisis penyebab model salah mengenali benda |
| Gotong Royong | Kolaborasi | Bekerja dalam tim: ada yang foto, ada yang upload, ada yang training |
| Mandiri | Regulasi diri | Mengatur waktu praktik agar semua tahap selesai tepat waktu |
Materi Pembelajaran
Pertemuan 2: Klasifikasi Benda dengan Teachable Machine
-
Image Classification (Klasifikasi Gambar)
- Definisi: tugas ML untuk mengenali objek dalam gambar
- Cara kerja: model melihat pola piksel, tepi, tekstur, bentuk
- Contoh: Google Lens, face recognition smartphone
- Analogi: seperti kita bisa mengenali benda hanya dengan melihat fisiknya
-
Teachable Machine
- Platform web dari Google (teachablemachine.withgoogle.com)
- Tidak perlu coding — ramah untuk pemula
- Mendukung: Image, Audio, Pose (gerakan tubuh)
- Output: model bisa diekspor ke TensorFlow, TensorFlow.js, TFLite
-
Dataset Citra untuk Klasifikasi
- Semakin banyak sample → semakin baik akurasi
- Variasi sudut, pencahayaan, background penting
- Dataset harus seimbang (jumlah per kelas relatif sama)
- Aturan praktis: minimal 50–100 sample per kelas untuk hasil yang layak
-
Evaluasi Model
- Akurasi: persentase prediksi benar
- Confusion matrix: tabel yang menunjukkan benar/salah per kelas
- Overfitting: model terlalu cocok dengan data training, gagal di data baru
- Underfitting: model terlalu sederhana, tidak belajar pola
-
Benda yang Dikenali
- Buku: benda persegi panjang, ada sampul, halaman di dalam
- Pensil: benda silinder panjang, ada ujung runcing, ada penghapus di ujung
- HP: benda pipih persegi panjang, ada layar, ada kamera
- Botol Minum: benda silinder, ada tutup, transparan/tidak
- Dompet: benda lipat persegi panjang, biasanya dari kulit/kain
- Kunci: benda logam kecil, bergerigi, ada ring/cincin
Daftar Isi