Aktivitas 4: Projek Mini Kontrol Gim Sederhana dengan Pose
Dalam mata pelajaran Koding dan Kecerdasan Artifisial Kelas 7 SMP/MTs, peserta didik diajak untuk menjawab soal pada Aktivitas 4 yang terdapat di halaman 155-159. Materi ini termasuk dalam Bab 4 Mengembangkan Sistem Kecerdasan Artifisial. Dalam aktivitas ini, guru memastikan perangkat komputer/laptop dengan kamera, akses internet, dan browser yang mendukung sudah siap digunakan setiap kelompok. Selain itu, guru juga memperkenalkan fitur “Pose Project” di Teachable Machine.
Jika dimungkinkan, platform Scratch dan ekstensi Playground RAISE MIT dapat digunakan untuk memperkaya pengalaman belajar. Tujuan dari aktivitas ini adalah merancang dan melatih model pengenalan pose untuk mengendalikan sebuah permainan sederhana. Setiap kelompok harus menentukan beberapa pose utama yang akan digunakan sebagai kontrol gim, seperti mengangkat satu tangan, kedua tangan di atas kepala, atau membungkuk ke samping.
Setiap anggota kelompok melakukan dan merekam pose-pose tersebut menggunakan kamera laptop atau komputer, kemudian mengunggah hasilnya ke Teachable Machine. Setelah semua data pose terkumpul, latih model KA hingga mampu mengenali setiap pose yang telah direkam. Uji model dengan melakukan pose baru yang belum pernah direkam untuk melihat seberapa baik KA mengenali gerakan yang berbeda. Selanjutnya, integrasikan model yang telah dilatih ke dalam sebuah gim sederhana, misalnya gim Scratch (menggunakan versi khusus yang sudah memiliki Extension Teachable Machine).
Berikut langkah-langkah pengerjaan aktivitas secara visual yang dapat kamu pelajari:
-
Langkah pertama
Buka alamat url https://teachablemachine.withgoogle.com/ di browser, lalu klik “Get Started” dan pilih “Pose Project”. -
Langkah kedua
Beri nama jenis “Pose Project”, lalu rekam pose atau langsung unggah pose. Lakukan kembali langkah 1 dan 2 untuk pose yang lain. Klik “train model” dan klik “export model”. -
Langkah ketiga
Pastikan button “Upload (shareable link)” yang tersorot aktif. Lalu salin link yang muncul di bawah tulisan “Your shareable link”. -
Langkah keempat
Buka website https://playground.raise.mit.edu/create/ di tab baru. Setelah itu, klik tombol “Add Extension” yang terletak paling kiri bawah. -
Langkah kelima
Pilih ekstensi Teachable Machine dari daftar ekstensi yang muncul. -
Langkah keenam
Dari sini, buatlah gim baru atau sebagaimana yang telah kamu buat sebelumnya di bab 1. Setelah itu, masukkan link model sebelumnya yang telah disalin ke kotak yang berisi tulisan “Paste URL here!”. Kamu juga bisa menggunakan gim yang sudah tersedia dari link berikut https://playground.raise.mit.edu/create/?project=https://dancingwithai.media.mit.edu/projects/SnakeGame.sb3.
Akhiri aktivitas dengan presentasi kelompok mengenai pengalaman, hasil yang diperoleh, serta refleksi tentang bagaimana teknologi pengenalan pose dapat diterapkan untuk membantu aktivitas sehari-hari di sekolah atau rumah. Melalui pengalaman ini, kalian akan memahami secara langsung bagaimana KA memproses dan mengenali gerakan tubuh, sekaligus mengasah kreativitas, kolaborasi, dan kemampuan problem solving.
Setelah menyelesaikan aktivitas ini, kalian siap melanjutkan materi berikutnya tentang menulis input bermakna (prompt engineering) untuk berinteraksi secara efektif dengan sistem KA.
Contoh Jawaban Aktivitas 4: Projek Mini Kontrol Gim Sederhana dengan Pose
(Contoh Laporan Peserta Didik)
-
Pose/Kelas: Tangan di Atas
Sumber Pose: Peserta didik 1
Hasil Prediksi Model: Tangan di Atas
Benar/Salah: Benar
Tantangan/Komentar: Mudah dikenali -
Pose/Kelas: Melambaikan Tangan
Sumber Pose: Peserta didik 2
Hasil Prediksi Model: Merentangkan Tangan
Benar/Salah: Salah
Tantangan/Komentar: Variasi pose terlalu mirip -
Pose/Kelas: Jongkok
Sumber Pose: Peserta didik 3
Hasil Prediksi Model: Jongkok
Benar/Salah: Benar
Tantangan/Komentar: Cahaya kurang dan sedikit delay
Analisis Singkat:
Model mampu mengenali pose sederhana dengan baik apabila data rekaman cukup bervariasi. Namun, untuk pose yang memiliki kemiripan tinggi, model masih berpotensi melakukan kesalahan prediksi.
Saran:
Perlu penambahan variasi data pose serta memastikan posisi tubuh, pencahayaan, dan latar belakang relatif konsisten agar akurasi model dapat meningkat.
