GOOGLE TEACHABLE MACHINE: PEMANFAATAN MACHINE LEARNING BERBASIS CNN UNTUK IDENTIFIKASI CEPAT BATUAN MINERAL KALSIT, KUARSA DAN MAGNETIT

  • Albert Zicko Johannes(1*)
    Universitas Nusa Cendana
  • Minsyahril Bukit(2)
    Universitas Nusa Cendana
  • Agustinus D D Betan(3)
    Universitas Nusa Cendana
  • Jonshon Tarigan(4)
    Universitas Nusa Cendana
  • (*) Corresponding Author
Kata Kunci: Teachable Machine, Pembelajaran Mesin, CNN, Magnetit, Kuarsa, Kalsit

Abstrak

Google Teachable Machine adalah aplikasi berbasis website yang dapat dimanfaatkan penggunanya untuk membuat suatu model machine learning tanpa perlu menulis kode. Aplikasi ini memanfaatkan Jaringan Saraf Konvolusional (CNN) dalam prosesnya. Pada penelitian ini dilakukan pemanfaatan Teachable Machine untuk membuat model machine learning yang dapat mengidentifikasi batuan mineral khususnya magnetit, kalsit, dan kuarsa. Prosedur penelitian dilakukan melalui beberapa tahapan yaitu: Pengumpulan Sampel, Klasifikasi Sampel (Dataset), Pelatihan Model (Training), dan Proses Evaluasi.  Pengumpulan data sampel berupa gambar batuan mineral diperoleh dan diunduh dari Google. Data tersebut kemudian dibagi menjadi tiga kelas mineral yaitu magnetit, kalsit, dan kuarsa yang digunakan sebagai input pada aplikasi Teachable Machine. Pelatihan model pada Teachable Machine menggunakan input epochs 100, batch size 64, dan learning rate 0.0001. Hasil pemodelan Teachable Machine kemudian dievaluasi dan menunjukkan bahwa model yang diperoleh dapat mengenali mineral magnetit, kalsit, dan kuarsa dengan akurasi, presisi, recal, spesifisitas, dan nilai F1 rata-rata sebesar 91.11% (86.67%), 87.30%, 86.67%, 93.33%, dan 86.50%. Penelitian ini menunjukkan bahwa pemanfaatan Teachable Machine membantu melakukan identifikasi cepat, akurat dan mudah sehingga dapat memberikan kontribusi dalam mempercepat proses analisis batuan mineral, pengambilan keputusan, dan pengembangan strategi eksplorasi. Selain itu hasil ini menunjukkan aplikasi ini memiliki potensi pengembangan yang lebih luas dalam bidang-bidang ilmu yang beragam.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

Google Creative Lab, “Teachable Machine.” [Online]. Available: https://experiments.withgoogle.com/teachable-machine. [Accessed 24 October 2023].

N. Siddiqui, “Creating Deep Convolutional Neural Networks for Image Classification.” [Online]. Available: https://programminghistorian.org/en/lessons/image-classification-neural-networks. [Accessed 24 October 2023].

Datagen, “Convolutional Neural Network: Benefits, Types, and Applications.” [Online]. Available: https://datagen.tech/guides/computer-vision/cnn-convolutional-neural-network/. [Accessed 24 October 2023].

N. Dewi and F. Ismawan, “Implementasi Deep Learning Menggunakan CNN Untuk Sistem Pengenalan Wajah,” Faktor Exacta, vol. 14, no. 1, pp. 34, Mar 2021, doi: 10.30998/faktorexacta.v14i1.8989.

J. Wang dan Z. Li, “Research on Face Recognition Based on CNN,” in IOP Conference Series: Earth and Environmental Science, Institute of Physics Publishing, Jul 2018. doi: 10.1088/1755-1315/170/3/032110.

M. Arsal, B. A. Wardijono, dan D. Anggraini, “Face Recognition Untuk Akses Pegawai Bank Menggunakan Deep Learning Dengan Metode CNN,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 1, pp. 55–63, Jun 2020, doi: 10.25077/TEKNOSI.V6I1.2020.55-63.

A. Anton, N. F. Nissa, A. Janiati, N. Cahya, dan P. Astuti, “Application of Deep Learning Using Convolutional Neural Network (CNN) Method For Women’s Skin Classification,” Scientific Journal of Informatics, vol. 8, no. 1, pp. 144–153, Mei 2021, doi: 10.15294/sji.v8i1.26888.

N. Sharma, V. Jain, dan A. Mishra, “An Analysis Of Convolutional Neural Networks For Image Classification,” Procedia Comput Sci, vol. 132, pp. 377–384, Jan 2018, doi: 10.1016/J.PROCS.2018.05.198.

J. K. Leonard, “Image Classification and Object Detection Algorithm Based on Convolutional Neural Network,” Science Insights, vol. 31, no. 1, pp. 85–100, Nov 2019, doi: 10.15354/si.19.re117.

Y. H. Natbais dan A. B. S. Umbu, “Aplikasi Deteksi Penyakit pada Daun Tomat Berbasis Android Menggunakan Model Terlatih Tensorflow Lite,” TEKNOTAN, vol. 17, no. 2, pp. 83, Agu 2023, doi: 10.24198/jt.vol17n2.1.

C. Chazar dan M. H. Rafsanjani, “Penerapan Teachable Machine Pada Klasifikasi Machine Learning Untuk Identifikasi Bibit Tanaman,” dalam Seminar Nasional : Inovasi & Adopsi Teknologi , 2022, doi: 10.35969/inotek.v2i1.207.

N. Tri, S. Saptadi, P. Chyan, dan V. M. Widjaja, “Desain Model Klasifikasi Sampah Organik Menjadi Bahan Baku Briket Biomassa Menggunakan Metode Deep Learning,” Jurnal Informatika dan Komputer), vol. 6, no. 2, pp. 160–168, 2022, doi: 10.26798/jiko.v6i2.559.

M. Bagus Baihaqi, Y. Litanianda, dan A. Triyanto, “Implementasi Tensor Flow Lite Pada Teachable Untuk Identifikasi Tanaman Aglonema Berbasis Android,” KOMPUTEK : Jurnal Teknik, vol. 6, no. 1, 2022, [Online]. Available: http://studentjournal.umpo.ac.id/index.php/komputek. [Accessed 24 October 2023].

E. A. U. Malahina, R. P. Hadjon, dan F. Y. Bisilisin, “Teachable Machine: Real-Time Attendance of Students Based on Open Source System,” The IJICS (International Journal of Informatics and Computer Science), vol. 6, no. 3, pp. 140, Nov 2022, doi: 10.30865/ijics.v6i3.4928.

A. Azzam Ajhari, K. Jonathan Sitorus, D. Putri Nur Lyrawati, E. Felix Satria Sridana, R. Lestari, dan W. Vivi Farida, “Noaa Image Classification Using Google’s Teachable Machine,” dalam Seminar Nasional Riset dan Inovasi Teknologi (SEMNAS RISTEK) 2023, 2023, doi: 10.30998/semnasristek.v7i1.6244.

N. A. Baykan dan N. Yilmaz, “Mineral identification using color spaces and artificial neural networks,” Comput Geosci, vol. 36, no. 1, pp. 91–97, Jan 2010, doi: 10.1016/J.CAGEO.2009.04.009.

L. D. Whittig, “X-Ray Diffraction Techniques for Mineral Identification and Mineralogical Composition,” Methods of Soil Analysis, Part 1: Physical and Mineralogical Properties, Including Statistics of Measurement and Sampling, pp. 671–698, Okt 2015, doi: 10.2134/AGRONMONOGR9.1.C49.

J. L. Baldwin, R. M. Bateman, dan C. L. Wheatley, “Application Of A Neural Network To The Problem Of Mineral Identification From Well Logs,” Petrophysics, vol. 31, no. 5, 1990. [Online]. Available: https://onepetro.org/petrophysics/article-abstract/170779/Application-Of-A-Neural-Network-To-The-Problem-Of?redirectedFrom=fulltext. [Accessed 24 Oktober 2023].

S. Aligholi, G. R. Lashkaripour, R. Khajavi, dan M. Razmara, “Automatic mineral identification using color tracking,” Pattern Recognit, vol. 65, pp. 164–174, Mei 2017, doi: 10.1016/J.PATCOG.2016.12.012.

Harkame, “google-images-downloader · PyPI.” [Online]. Available: https://pypi.org/project/google-images-downloader/. [Accessed 25 October 2023].

S. Ghoneim, “Accuracy, Recall, Precision, F-Score & Specificity, which to optimize on?”. [Online]. Available: https://towardsdatascience.com/accuracy-recall-precision-f-score-specificity-which-to-optimize-on-867d3f11124. [Accessed 24 Oktober 2023]

Bharathi, “Latest Guide on Confusion Matrix for Multi-Class Classification.”. [Online]. Available: https://www.analyticsvidhya.com/blog/2021/06/confusion-matrix-for-multi-class-classification/. [Accessed 24 October 2023]

I. Logunova, “A Guide to F1-score,” serokell. [Online]. Available: https://serokell.io/blog/a-guide-to-f1-score. [Accessed 26 October 2023]

PlumX Metrics

Diterbitkan
2024-10-31
Bagian
Articles

##plugins.generic.recommendByAuthor.heading##

##plugins.generic.recommendByAuthor.noMetric##