MENGUJI PERFORMA MODEL CNN KITA KEMBALI

Setelah kita berhasil melatih model kita dengan cukup baik, kita belum cukup puas. Sekarang kita ingin mengujinya lagi, dan kita ingin mengetahui secara kuantitif performa model kita.

Jika pembaca memiki folder berisi gambar-gambar kucing (jika ingin menguji detektor kucing) maka pembaca bisa mengujinya. Namun kai ini kita sudah memiliki 1000 gambar kucing di folder test set. Kita uji saja lagi hasil model CNN untuk mendeteksi gambar kucing atau anjing (terserah pembaca). Namun kali ini kita ingin mengujinya untuk mendeteksi gambar anjing.

# Uji coba lagi di test_set
import numpy as np
from keras.preprocessing import image
count_dog = 0
count_cat = 0
for i in range(4001, 5001): 
    test_image = image.load_img('dataset/test_set/dogs/dog.' + str(i) + '.jpg', target_size = (128, 128))
    test_image = image.img_to_array(test_image)
    test_image = np.expand_dims(test_image, axis = 0)
    result = MesinKlasifikasi.predict(test_image)
    training_set.class_indices
    if result[0][0] == 0:
        prediction = 'cat'
        count_cat = count_cat + 1
    else:
        prediction = 'dog'
        count_dog = count_dog + 1

# Mencetak hasil prediksinya agar bisa dibaca
print("count_dog:" + str(count_dog))    
print("count_cat:" + str(count_cat))

Penjelasan:

• Line 2-3 mengimpor library yang diperlukan.
• Line 4 dan 5 adalah mendefinisikan objek sebagai penghitung (counter).
• Line 6-17 adalah looping sebanyak 100 kali. Mengapa kita mulai dari 4001-5001? Mengapa tidak ditulis dari 1-1001? Hal ini dilakukan karena kita akan gunakan iteratornya (i) untuk nama filenya juga (bisa dilihat di line 7). Ini hanyalah style (gaya dari programmernya saja). Mungkin pembaca memiliki cara lain untuk menuliskan looping iterasi maka boleh-boleh saja.
• Line 8 merubah gambar ke array.
• Line 9 memperbesar dimensinya.
• Line 10 mendefinisikan objek result untuk menyimpan hasil prediksinya.
• Line 11 sebenarnya tidak diperlukan (bisa dihilangkan tanpa efek apa-apa). Namun jika pembaca menuliskan print(training_set.class_indices) di console spyder, maka akan memberikan hasil {‘cats’: 0, ‘dogs’: 1}. Dengan demikian kita bisa melihat dan menginterpretasikan hasilnya di objek result, bahwa nilai 0 menandakan ia adalah gambar cat, sementara 1 adalah anjing. Nilai 0 dan 1 ini ditentukan karena urutan alfabet di folder (c mendahului d, maka c=0, dan d=1).
• Line 12-17 memasukkan hasilnya ke objek count_cat jika prediksinya cat dan count_dog jika prediksinya dog.
• Line 20-21 adalah untuk melihat hasilnya di console. Kita juga sebenarnya bisa melihat hasilnya di variable explorer pada spyder. Tampilan di console spyder adalah sebagai berikut:

Wow! ternyata hasilnya sangat baik. Untuk memprediksi 1000 gambar anjing, model CNN kita berhasil memprediksi sebanyak 919 kali. Kalau mau dihitung akurasinya maka 91.9%.

---

Sampai di sini saya harap pembaca mendapatkan gambaran bagaimana cara komputer/program bisa mengenali dan mengklasifikasikan gambar. Saya harap pembaca tidak berhenti sampai di sini, dan bisa bereksperimen, merubah beberapa parameter yang sudah saya berikan di sini sehingga performa CNN nya jauh lebih baik lagi.

Yang tidak kalah penting, saya harap pembaca juga bisa mempraktekkan ini untuk permasalahan yang dihadapi di dunia nyata. Tentunya dengan belajar juga dari sumber-sumber lain akan memperkuat pemahaman pembaca dan bisa menggunakan CNN untuk permasalahan yang jauh lebih kompleks lagi.

Untuk teknik CNN dengan bahasa R, sampai saat ini masih dalam tahap pengembangan. Karena deep learning dengan R masih menggunakan server Oracle secara online dengan teknik H20, di mana merekapun juga belum selesai mengembangkan deep learning H20 ini sampai tahap final.

Jika sudah ada perkembangan CNN di bahasa R pasti akan saya posting, di web ini, dan pembaca yang sudah menjadi subscriber akan mendapatkan informasinya pertama kali.

Demikian pembahasan praktek dan aplikasi dari CNN. Sampai ketemu di kesempatan selanjutnya.

Tetap semangat belajar AI bersama saya!

Pages: 1 2 3