Rasid, Rum Mohamad Andri K
Unknown Affiliation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Pemanfaatan Teachable Machine Untuk Mengidentifikasi Alat Batu Masa Prasejarah Menggunakan Metode CNN Piskonata, Yogi; Pambudi, Agung; Rasid, Rum Mohamad Andri K; Purwidiantoro, Moch. Hari
Jurnal Ilmiah IT CIDA Vol 11 No 2: Desember 2025
Publisher : STMIK AMIKOM Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55635/jic.v11i2.296

Abstract

Identifikasi alat batu masa prasejarah merupakan komponen penting dalam kajian arkeologi untuk memahami perkembangan teknologi dan budaya masyarakat purba. Namun, proses klasifikasi artefak secara manual masih sangat bergantung pada keahlian arkeolog yang terbatas jumlahnya dan rentan terhadap subjektivitas. Dengan kemajuan teknologi kecerdasan buatan, khususnya Convolutional Neural Network (CNN), otomatisasi identifikasi objek berbasis citra menjadi lebih feasible. Penelitian ini mengusulkan pemanfaatan platform Teachable Machine sebagai solusi low-code untuk mengembangkan model klasifikasi alat batu prasejarah dengan pendekatan CNN. Penelitian dilakukan secara eksperimental menggunakan dataset citra alat batu prasejarah masa paleolitik yang dikurasi dari koleksi lababoratorium Jurusan Arkeologi, Fakultas Ilmu Budaya, Universitas Gadjah Mada. Dataset terdiri dari tujuh kelas utama yaitu Kapak Genggam, Kapak Perimbas, Kapak Penetak, Kapak Lonjong, Beliung Persegi dan Alat Serpih. Model dilatih pada platform Teachable Machine dengan arsitektur CNN berbasis MobileNet, tanpa menulis kode program sehingga peneliti non-teknis dapat mengakses teknologi AI secara langsung. Hasil evaluasi menunjukkan akurasi model sebesar 87,5% pada data pengujian, dengan F1-Score rata-rata 0,85. Kapak persegi dan kapak lonjong memiliki tingkat keberhasilan klasifikasi tertinggi, sementara kelas serpih dan alat tulang menunjukkan tingkat kesalahan yang lebih tinggi akibat kemiripan morfologis. Confusion matrix dan analisis kesalahan mengindikasikan bahwa kualitas gambar dan variasi bentuk artefak menjadi faktor utama yang memengaruhi kinerja model. Studi ini membuktikan bahwa Teachable Machine dapat dimanfaatkan secara efektif sebagai alat bantu klasifikasi alat batu prasejarah, terutama dalam konteks keterbatasan sumber daya teknis dan keahlian pemrograman di kalangan arkeolog. Dengan demikian, pendekatan ini berpotensi mendukung digitalisasi warisan budaya, percepatan inventarisasi artefak, serta penguatan integrasi teknologi AI dalam pendidikan dan penelitian arkeologi di Indonesia.