Buat aplikasi computer vision yang mengenali tanaman sehat dan sakit dari foto dengan Teachable Machine serta Python.
Skill yang dibangun
Menjelaskan konsep dasar image classification, class, dataset, training, dan confidence score dengan bahasa sederhana.
Mengumpulkan dan menyiapkan dataset foto tanaman yang lebih konsisten untuk class seperti tanaman sehat dan tanaman sakit.
Melatih model klasifikasi gambar menggunakan Teachable Machine serta mengekspor model untuk digunakan di Python.
Membuat dan menjalankan script Python 3.10+ yang memuat model, memproses foto, melakukan prediksi, lalu menampilkan label dan confidence score.
Menguji model dengan foto baru, membaca hasilnya secara kritis, serta mengenali keterbatasan model dan potensi data yang bias.
Melakukan debugging dasar ketika path file, dependency, format model, atau ukuran input gambar tidak sesuai.
Pemula yang ingin belajar AI dan data science melalui proyek computer vision praktis, siswa atau mahasiswa non-teknis, pengembang pemula yang sudah mengenal dasar Python, serta siapa pun yang tertarik membuat alat sederhana untuk membantu pemeriksaan kondisi tanaman.
Project outcomes
Kamu akan membangun aplikasi Python sederhana yang menerima foto tanaman, menjalankan model computer vision hasil training dari Teachable Machine, lalu menampilkan prediksi kondisi tanaman seperti sehat atau sakit beserta confidence score. Proyek ini bisa kamu kembangkan lagi menjadi interface sederhana, alat bantu inspeksi tanaman, atau portfolio project AI untuk menunjukkan kemampuan data preparation, model usage, dan evaluasi hasil.
Kamu akan membuat proyek AI yang langsung kelihatan hasilnya: aplikasi sederhana untuk memeriksa kondisi tanaman dari foto. Model klasifikasi dilatih tanpa perlu membangun neural network dari nol, jadi kamu bisa fokus memahami alur kerja computer vision dengan cara yang praktis dan masuk akal.
Kita mulai dari menyiapkan dataset foto, membuat class di Teachable Machine, melatih model, lalu mengunduh model untuk dipakai di Python. Setelah itu, kamu akan menulis script yang membaca foto, mengubah ukurannya sesuai kebutuhan model, menjalankan prediksi, dan menampilkan hasil beserta confidence score.
Setiap langkah dibedah pelan-pelan lewat contoh kode Python yang runnable. Kamu juga akan melihat kesalahan yang sering terjadi, seperti format file model yang tidak cocok, ukuran gambar yang keliru, atau hasil prediksi yang terlalu dipercaya. Intinya, kamu bukan cuma mengikuti tutorial, tapi ngerti alur kerja proyek AI kecil yang bisa dipamerkan di portfolio.
Bangun pipeline Python untuk menemukan aspek produk dan mengukur sentimen dari ulasan berbahasa Indonesia.
Bangun pipeline ekstraksi entitas dan relasi dari teks Bahasa Indonesia, lalu evaluasi hasilnya sebagai knowledge graph yang terukur.
Bangun alur Python untuk mengekstrak tabel dari PDF operasional, memvalidasi hasilnya, lalu menyimpannya sebagai CSV siap analisis.
Bangun pipeline synthetic data tabular yang dapat diuji dari sisi privasi, kualitas statistik, dan dampaknya terhadap performa model.