Classification - Alas Kaki (Sepatu,Bot,Sendal)

MUHAMMAD YOGA ADHA PRATAMA

Sosial Media


0 orang menyukai ini
Suka

Summary

Classification dapat didefinisikan sebagai proses memprediksi kelas atau kategori dari nilai yang diamati atau titik data yang diberikan. Secara matematis, classification adalah tugas mendekati fungsi pemetaan (f) dari variabel input (X) ke variabel output (Y). Ini pada dasarnya milik pembelajaran mesin yang diawasi di mana target juga disediakan bersama dengan set data input. Classification ini punya banyak manfaat, di bidang geotermal sendiri, machine learning classification diaplikasikan untuk membuat peta prediksi potensi sumber daya panas bumi, bahkan sampai melacak dan mendeteksi adanya anomali pada area operasi pengeboran sumur. Dengan adanya klasifikasi, kita bisa memberikan tindakan yang tepat pada masing-masing kelas. 

Description

Klasifikasi didefinisikan sebagai proses pengenalan, pemahaman, dan pengelompokan objek dan ide ke dalam kategori yang telah ditetapkan alias "sub-populasi". Dengan bantuan kumpulan data pelatihan yang telah dikategorikan sebelumnya ini, klasifikasi dalam program pembelajaran mesin memanfaatkan secara luas berbagai algoritma untuk mengklasifikasikan dataset masa depan ke dalam kategori masing-masing dan relevan. Algoritme klasifikasi yang digunakan dalam pembelajaran mesin menggunakan data pelatihan input untuk tujuan tersebut memprediksi kemungkinan atau probabilitas bahwa data yang mengikuti akan jatuh ke dalam salah satu kategori yang telah ditentukan. Salah satu aplikasi klasifikasi yang paling umum adalah untuk penyaringan email menjadi "spam" atau "non-spam", seperti yang digunakan oleh penyedia layanan email teratas saat ini. Pendeknya, klasifikasi adalah bentuk "pengenalan pola,". Di sini, algoritma klasifikasi diterapkan pada data pelatihan menemukan pola yang sama (urutan angka yang mirip, kata atau sentimen, dan seperti) di set data masa depan. Saya akan membuat kumpulan data penelitian tentang deteksi bentuk alas kaki. Saya mengambil dataset dari Kaggle yaitu tentang sepatu bot, sandal, dan sepatu. Sekarang saya akan menjelaskan ini penelitian dalam bentuk portofolio saya. Dalam portofolio ini, saya akan menjelaskan bagaimana implementasinya pembelajaran mendalam untuk menemukan pola tentang sepatu bot, sandal, dan sepatu.

Saya akan mengunduh dataset di situs web kaggle : https://www.kaggle.com/datasets/hasibalmuzdadid/shoe-vs-sandal-vsboot-dataset-15k-images

Langkah-langkah :

a) Pertama kita akan mengimpor beberapa paket yang dapat kita gunakan untuk mengidentifikasi beberapa data saat ini. disini saya menggunakan numpy, pandas, dan tensorflow untuk mendukung kegiatan ini. Selain itu, kali ini saya menggunakan Jupyter Lab pada perangkat lunak Anaconda untuk mengklasifikasikan data. Berikut adalah contoh tampilan dengan beberapa proses yang dilakukan pertama kali sebelum melakukan teknik klasifikasi pada deep learning.

b) Pada data di atas, saya mengidentifikasi direktori baru bernama "data" yang berisi beberapa data yang diunduh dari sampel dataset di Kaggle. Disini terlihat bahwa ada 3 direktori bernama boot, sandal, dan shoe dimana masing-masing berisi 5000 data dalam format JPG. Selanjutnya, saya melakukan secara berurutan pada model dataset yang teridentifikasi di folder data. Untuk data ini, kami mencoba melakukan subset untuk melihat berapa banyak data yang dikumpulkan dalam folder ini dan pengukuran batch yang dapat dibaca adalah 32.

c) Pada tahap selanjutnya saya mulai melakukan perhitungan epoch dengan learning rate yang saya berikan adalah 0.0005 dan juga jumlah epoch yang saya coba hanya 2 kali terlebih dahulu untuk melihat tingkat akurasi yang diberikan dari folder dataset yang sudah didownload sebelumnya. Data di bawah setelah periode berulang menunjukkan bahwa tingkat akurasi yang diperoleh pada 2 epoch mendapatkan nilai yang sangat tinggi. Sehingga disini membuktikan bahwa dataset yang diperoleh memiliki tingkat akurasi yang tinggi atau mudah untuk diklasifikasi pada data pengujian nantinya.

d) Selanjutnya kita mencari data pengujian atau sampel yang dapat kita gunakan untuk mengklasifikasikan dataset sebelumnya. Pada epoch yang kami lakukan sebanyak 2 kali menghasilkan nilai akurasi 0,9427 (pertama) dan 0,9433 (kedua). Ini memungkinkan kami untuk dengan mudah mengklasifikasikan data pengujian yang akan saya bandingkan nanti. Pertama saya dicari beberapa data pengujian sebanyak 3 data yang memiliki jenis alas kaki yang berbeda. Kemudian masukkan ke dalam direktori atau folder bernama "testing" untuk memasukkan data testing yang saya cari tadi.

e) Kemudian terakhir kita melihat data yang telah kita identifikasi atau coba klasifikasikan berdasarkan menguji data yang sebelumnya dicari dengan dataset yang diunduh di Kaggle. Ini dia menunjukkan bahwa akurasi yang diberikan benar-benar tinggi dan sesuai dengan prediksi saya, karena data yang dikenali sudah sesuai dengan dataset yang tersedia. Oleh karena itu, pada penelitian portofolio saya kali ini menunjukkan hasil yang sesuai dengan harapan karena data dapat mengenali dan mengklasifikasikan data pengujian dengan kumpulan data yang ada.

f) Dalam hal ini kami mencoba model yang disimpan dalam variabel histogram. Setelah itu dilakukan evaluasi tingkat akurasi model histogram yang telah dicoba kembali. Berikut adalah contoh hasil variabel histogram dan juga hasil akurasi histogram. Pertunjukan ini seberapa besar akurasi yang didapat dari dataset yang bisa kita lihat dalam bentuk histogram.

Kesimpulannya, klasifikasi dapat dianggap sebagai standar kegiatan pembelajaran terawasi. Ini adalah strategi berharga yang kami gunakan saat mencoba menentukan apakah contoh spesifik termasuk dalam kategori tertentu atau tidak. Dalam hal identifikasi jenis alas kaki, kita dapat melihat seberapa tinggi tingkat akurasi yang dapat dihasilkan yang akan mempengaruhi metode klasifikasi yang diuji dari data pengujian yang tersimpan. Pengujian data yang dilakukan dengan klasifikasi dapat menunjukkan dengan tepat apa yang telah diunduh sebelumnya oleh dataset di Kaggle. Hal ini dikarenakan akurasi data memiliki nilai yang sangat tinggi sehingga data testing dapat teridentifikasi dengan baik.

Informasi Course Terkait
  Kategori: Artificial Intelligence
  Course: Teknologi Game Kecerdasan Artifisial (SIB AI-GAME)