📘 BAB 6. Pemrograman Dasar Kecerdasan Artifisial
🎯 Tujuan
Pembelajaran
Setelah mempelajari bab ini,
peserta didik diharapkan mampu:
1. Menjelaskan konsep dasar pemrograman dalam kecerdasan artifisial
(AI).
2. Memahami apa itu dataset dan bagaimana data digunakan untuk
melatih model AI.
3. Mengenal beberapa library atau platform AI populer seperti TensorFlow,
Scikit-learn, dan Teachable Machine.
4. Membuat model AI sederhana untuk klasifikasi gambar atau suara.
5. Melakukan evaluasi dan perbaikan terhadap model yang dibuat.
6. Menerapkan praktik pemrograman AI menggunakan platform visual.
💡 1. Pengantar:
Mengapa AI Perlu Diprogram?
AI (Artificial Intelligence) dapat
melakukan berbagai tugas seperti mengenali gambar, suara, atau teks. Namun,
agar AI bisa “cerdas”, kita perlu melatihnya dengan data dan program
yang tepat.
➡️ Analogi:
Bayangkan kamu mengajari temanmu mengenali buah. Kamu menunjukkan banyak gambar
apel dan pisang — itu sama seperti AI yang “belajar” melalui contoh data
(dataset). Semakin banyak contoh, semakin pintar AI mengenali objek baru.
Jadi, pemrograman AI =
mengajarkan mesin belajar dari data.
🧠 2. Konsep Dasar
Pemrograman AI
Pemrograman AI memiliki konsep
utama berikut:
|
Konsep |
Penjelasan |
|
Data (Input) |
Informasi mentah yang digunakan untuk melatih AI (gambar, suara,
teks, angka). |
|
Model |
Struktur matematika yang digunakan AI untuk mengenali pola dari data. |
|
Training (Pelatihan) |
Proses di mana AI belajar dari data dan memperbaiki prediksinya. |
|
Testing (Pengujian) |
Mengevaluasi seberapa baik model bekerja pada data baru. |
|
Output (Hasil) |
Prediksi atau keputusan yang dihasilkan oleh model AI. |
🔹 Kesimpulan:
AI bukan sihir — ia bekerja karena program, data, dan pelatihan
yang dilakukan oleh manusia.
📊 3. Pengenalan
Dataset dan Data Training
Dataset adalah
kumpulan data yang digunakan untuk melatih AI.
Contoh dataset:
·
Gambar (kucing, anjing,
mobil, bunga)
·
Suara (tepuk tangan, musik,
suara manusia)
·
Teks (review film, komentar
media sosial)
Proses pembelajaran AI:
1. Kumpulkan data (misal: 100 gambar apel, 100
gambar pisang).
2. Labeli data (beri nama “apel” atau “pisang”).
3. Latih model menggunakan data tersebut.
4. Uji model dengan data baru untuk melihat
ketepatannya.
➡️ Analogi:
Seperti anak kecil belajar mengenali warna. Setelah sering melihat warna
“merah”, ia akan tahu benda lain berwarna merah tanpa diberi tahu lagi.
🧩 4. Penggunaan
Library AI Populer
Dalam dunia pemrograman AI, banyak
alat bantu (library/framework) yang mempermudah proses pembuatan model.
|
Library / Platform |
Bahasa / Platform |
Fungsi Utama |
Cocok untuk |
|
TensorFlow |
Python |
Melatih dan membangun model deep learning |
Siswa tingkat lanjut |
|
Scikit-learn |
Python |
Analisis data, klasifikasi, regresi, clustering |
Pemula hingga menengah |
|
Teachable Machine |
Web (tanpa kode) |
Membuat model AI dari gambar, suara, atau pose secara visual |
Pemula / siswa SMK |
|
Keras |
Python |
Framework yang lebih sederhana dari TensorFlow |
Eksperimen model kecil |
|
PyTorch |
Python |
Framework populer untuk riset AI dan deep learning |
Profesional / penelitian |
💡 Untuk siswa SMK,
disarankan mulai dari Teachable Machine karena:
·
Tidak perlu coding rumit
·
Langsung bisa melihat hasil
model AI
·
Bisa diekspor ke proyek
lain (misal Scratch, Unity, atau website)
⚙️ 5. Pembuatan Model AI
Sederhana
Langkah dasar membuat model AI
(contoh: klasifikasi gambar buah):
1. Tentukan tujuan model
➜ Contoh: Membedakan antara gambar apel dan pisang.
2. Kumpulkan dataset
➜ Upload 20–50 gambar apel dan pisang.
3. Latih model (Training)
➜ AI menganalisis pola warna, bentuk, dan tekstur
setiap gambar.
4. Uji model (Testing)
➜ Berikan gambar baru untuk melihat hasil prediksi.
5. Simpan dan gunakan model
➜ Model bisa diunduh dan digunakan di proyek lain
(misalnya website edukatif).
🔹 Contoh dengan
Teachable Machine:
·
Masuk ke https://teachablemachine.withgoogle.com
·
Pilih proyek “Image
Project”
·
Tambahkan gambar untuk
setiap kategori
·
Klik “Train Model”
·
Uji hasilnya langsung
dengan kamera laptop
🔍 6. Evaluasi dan
Perbaikan Model
Setelah model dibuat, langkah
berikutnya adalah mengevaluasi hasilnya.
💬 Evaluasi:
·
Seberapa akurat prediksi
AI?
·
Apakah AI sering salah
mengenali objek?
·
Apakah dataset terlalu
sedikit?
🔧 Perbaikan Model:
·
Tambahkan lebih
banyak data.
·
Gunakan data yang
lebih beragam (berbeda latar, pencahayaan).
·
Kurangi noise
(gambar buram, data salah label).
·
Latih ulang model dengan
pengaturan yang lebih baik.
➡️ Analogi:
Seperti belajar mengenali wajah teman — semakin sering melihat dalam kondisi
berbeda, semakin akurat mengenalinya.
🧩 Praktik:
Membangun Model Klasifikasi Gambar atau Suara Sederhana
🎯 Tujuan:
Membuat model AI yang dapat
mengenali dua jenis objek (misalnya: suara tepuk tangan vs
suara bersiul, atau gambar kucing vs anjing).
💻 Langkah-langkah:
1. Buka Teachable Machine.
2. Pilih “Image Project” (untuk gambar) atau “Audio Project” (untuk
suara).
3. Buat dua kelas (class), misalnya “Tepuk Tangan”
dan “Siulan”.
4. Rekam atau upload data suara/gambar.
5. Klik Train Model.
6. Uji hasilnya secara langsung.
7. Ekspor model ke file .zip atau gunakan di website.
💬 Refleksi:
Apakah modelmu bekerja dengan baik?
Jika tidak, apa yang bisa diperbaiki dari data atau pengaturannya?
🧠 7. Rangkuman
Materi
·
Pemrograman AI berarti
mengajarkan mesin untuk belajar dari data.
·
Dataset adalah kumpulan
data yang digunakan untuk melatih AI.
·
Library AI seperti
TensorFlow dan Scikit-learn digunakan dalam pemrograman Python.
·
Teachable Machine cocok
untuk membuat model tanpa kode.
·
Evaluasi dan perbaikan
model penting agar AI semakin akurat.
📋 Evaluasi
✳️ A. Pilihan Ganda
1. Apa tujuan utama dari “training” dalam pemrograman AI?
A. Menghapus data lama
B. Mengajarkan AI belajar dari data
C. Membuat tampilan AI menarik
D. Mengganti model AI
E. Mengatur tampilan program
2. Dataset berfungsi untuk ...
A. Menyimpan hasil AI
B. Melatih model dengan contoh data
C. Menyimpan program
D. Menampilkan grafik
E. Mencatat error
3. Teachable Machine cocok digunakan oleh ...
A. Peneliti AI profesional
B. Pemula yang ingin belajar AI tanpa coding
C. Hanya programmer Python
D. Desainer grafis
E. Operator jaringan
4. Library yang digunakan untuk deep learning adalah ...
A. Microsoft Word
B. TensorFlow
C. Excel
D. PowerPoint
E. Paint
5. Proses untuk memeriksa seberapa akurat AI disebut ...
A. Pelatihan
B. Evaluasi
C. Pemrograman
D. Integrasi
E. Ekspor
6. Untuk memperbaiki model yang kurang akurat, kita bisa ...
A. Menghapus dataset
B. Menambah data pelatihan
C. Mengubah nama file
D. Menonaktifkan AI
E. Menghapus model
7. Contoh data dalam AI dapat berupa ...
A. Suara, teks, gambar
B. Hanya teks
C. Angka saja
D. Video saja
E. Data biner saja
8. Library Scikit-learn digunakan untuk ...
A. Membuat video
B. Menganalisis data dan klasifikasi
C. Menulis teks otomatis
D. Membuat presentasi
E. Mengedit gambar
9. Dalam AI, “model” berarti ...
A. Orang yang difoto
B. Struktur yang digunakan untuk mengenali pola data
C. Program grafis
D. Database
E. Template desain
10. Platform AI visual yang mudah digunakan tanpa coding adalah ...
A. Copilot
B. Teachable Machine
C. TensorFlow
D. Jupyter
E. Visual Studio
✏️ B. Isian Singkat
1. AI belajar dari kumpulan data yang disebut ________.
2. Proses AI belajar dari data disebut ________.
3. TensorFlow digunakan dengan bahasa pemrograman ________.
4. Teachable Machine bisa digunakan tanpa menulis ________.
5. Evaluasi model bertujuan untuk melihat ________ dari model.
🧮 C. Esai / Studi Kasus
1. Jelaskan hubungan antara dataset, training,
dan testing dalam AI.
2. Mengapa data yang beragam penting untuk melatih AI?
3. Buat contoh proyek sederhana yang bisa dibuat dengan Teachable
Machine.