Description

Mengimport Kaggle dan library yang diperlukan

Penjelasan:

Import Library

Langkah pertama yang dilakukan adalah mengimport library yang diperlukan untuk melakukan prediksi ini. Karena prediksi menggunakan algoritma CNN maka akan memanggil library tensorflow untuk membangun model deep learning.

 Import Dataset

Langkah selanjutnya yaitu mengimport dataset dan menampilkannya. Langkah pertama menginstall Kaggle dan mendownload dataset yang dibutuhkan, dalam hal ini dataset yang diggunakan adalah dataset dari vijaykumar1799 yaitu face mask detection yang berjumlah 8982 data citra. Kemudian setelah mendownload melakukan unzip pada file tersebut.

menset ukuran gambar dan juga batch size serta membagi dataset menjadi data training dan data validation 

penjelasan :

Langkah berikutnya adalah membagi dataset menjadi dataset training dan dataset validation. Dengan parameter seed = 132 ; shuffle true; data spilit : 0.2 dan ukuran gambar 360 px x 360 px dan batch size = 32. Setelah dibagi data untuk data training sebesar 7186 dan data validasi 1796. Terdapat 3 kelas yaitu with_mask, mask_wear_incorrect, dan without_mask.

Melakukan Visualisasi Data

Penjelasan

Langkah diatas merupakan syntax untuk menampilkan beberapa gambar serta masuk ke kelas mana menggunakan plotting dengan matplotlib.

Pengoptimalan dataset

Penjelasan: Langkah diatas merupakan proses pengoptimalan dataset. Proses pertama diawali dengan mengecek isi dari data training, seperti junmlah batch size, ukuran Panjang dan lebar citra serta ukuran channel. Langkah berikutnya yaitu pengoptimalan performance untuk memisahkan waktu Ketika dataset diproduksi dari saat dikonsumsi.

Standarisasi data

Penjelasan : 

Langkah diatas merupakan standarisasi dataset, diawali dengan membuat formatting layer pemrosesan yang menskalakan ulang nilai input ke range baru. 

Membuat model 

Penjelasan :

Langkah awal melakukan rescalling. Kemudian membuat model. Model dibangun menggunakan 3 layer convolusi dan menggunakan activation function relu. Untuk hidden layer sendiri menggunakan 1 layer dan menggunakan activation function relu. Untuk layer output menggunakan 1 layer dan menggunakan activation function linear. Dilakukan juga pengubahan data menjadi 1 dimensi terlenih dahulu sebelum masuk ke dalam hidden layer. 

Mengcompile model dan melihat summary

Penjelasan :

Langkah selanjutnya mengcompile model (melakukan proses training) dengan parameter optimizer adam dan metrics accuracy dan melihat keseluruhan network dengan model.summary()

Memplot gambar model

Penjelasan : 

Langkah diatas untuk menampilkan urutan Langkah – Langkah yang dilakukan pada pembuatan model dengan melakukan plotting model tersebut. 

Melakukan fit pada model 

Penjelasan : 

Langkah diatas melakukan fit pada model dengan menggunakan 20 epoch. Total waktu yang ditempuh keseluruhan yaitu selama 4 jam dengan akurasi akhir 1.00 dan loss train sebesar 3.624e-05. Kemudian untuk data validasi, loss akhir sebesar 0.1191 dan akurasi akhir 0.9761. terakhir melihat history model.

Visualisasi akurasi training dan validasi

Penjelasan :

Tahapan diatas bertujuan untuk melihat pergeseran besaran nilai akurasi training dan validasi.

Prediksi model input

Penjelasan :

Langkah diatas yaitu melakukan prediksi model  dengan menggunakan salah satu gambar yang terdapat di dalam dataset. Dari hasil percobaan yang telah dilakukan proses prediksi model tyang telah dibuat mampu memprediksi data dengan nilai confidence 1 dan mampu memprediksi data citra tersebut masuk kedalam kelas mana.