Description

Dokumen berjudul Drone Inspections.pdf berisi rangkaian proses analisis data citra yang diambil dari folder bernama UCMerced_LandUse, yang merupakan dataset citra udara dari berbagai jenis lahan dan struktur. Proyek ini menunjukkan kemampuan teknis dalam pengolahan data visual menggunakan Python, khususnya dengan pustaka seperti OpenCV, NumPy, Matplotlib, TensorFlow, dan Gradio.
Langkah pertama dalam proyek ini adalah mengekstrak file ZIP berisi dataset, lalu membaca gambar dari masing-masing folder. Gambar-gambar tersebut kemudian diubah ukurannya menjadi 70x70 piksel untuk standarisasi input ke model pembelajaran mesin. Setiap gambar dikaitkan dengan label kelas berdasarkan nama foldernya, seperti agricultural, airplane, beach, forest, dan lainnya—total terdapat 21 kelas.
Setelah data disiapkan, dilakukan pemisahan antara data pelatihan dan data pengujian menggunakan train_test_split dari scikit-learn. Model yang dibangun adalah Convolutional Neural Network (CNN) dengan arsitektur bertingkat: tiga lapisan konvolusi dan pooling, diikuti oleh lapisan dense untuk klasifikasi. Model ini dilatih selama 20 epoch dan menunjukkan peningkatan akurasi yang signifikan, mencapai lebih dari 98% pada akhir pelatihan.
Sebagai langkah akhir, dibuat antarmuka web menggunakan Gradio yang memungkinkan pengguna mengunggah gambar dan mendapatkan prediksi kelas secara langsung. Proyek ini sangat cocok dimasukkan ke dalam portofolio karena menunjukkan pemahaman mendalam tentang computer vision, machine learning, dan deployment model dalam bentuk aplikasi interaktif.

Selain aspek teknis yang kuat, proyek ini juga menunjukkan kemampuan dalam menyusun alur kerja yang sistematis dan efisien. Mulai dari pengumpulan data, pra-pemrosesan, pelatihan model, hingga pembuatan antarmuka pengguna, semuanya dilakukan dengan pendekatan yang terstruktur. Ini mencerminkan keterampilan dalam manajemen proyek dan pemahaman mendalam terhadap pipeline machine learning.
Penggunaan Convolutional Neural Network (CNN) dalam klasifikasi citra menunjukkan bahwa pembuat proyek memahami bagaimana memanfaatkan fitur spasial dari gambar untuk meningkatkan akurasi prediksi. CNN sangat efektif dalam mengenali pola visual seperti bentuk, tekstur, dan warna, yang sangat relevan dalam konteks citra udara. Dengan akurasi yang tinggi, model ini berpotensi digunakan dalam berbagai aplikasi nyata seperti pemantauan lingkungan, perencanaan kota, atau inspeksi infrastruktur.
Integrasi dengan Gradio juga menjadi nilai tambah penting. Antarmuka ini memungkinkan pengguna non-teknis untuk mencoba model secara langsung tanpa perlu memahami kode di baliknya. Ini menunjukkan bahwa proyek tidak hanya fokus pada aspek teknis, tetapi juga pada pengalaman pengguna dan aksesibilitas.
Secara keseluruhan, proyek ini layak dimasukkan ke dalam portofolio karena mencerminkan kombinasi antara kemampuan teknis, pemikiran sistematis, dan orientasi pada solusi nyata. Cocok untuk menunjukkan kompetensi dalam bidang computer vision, AI, dan pengembangan aplikasi berbasis data.