Deep Learning: Convolutional Neural Networks (aplikasi)

Deep Learning: Convolutional Neural Networks (aplikasi)

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:
Tampilan hasil prediksi untuk gambar anjing

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!

Bagikan artikel ini:

Pages: 1 2 3

Subscribe
Notify of
guest
49 Comments
Oldest
Newest Most Voted
Inline Feedbacks
View all comments
M. Raihan R.A
M. Raihan R.A
1 year ago

Padat dan jelas, sungguh mencerahkan sekali, terimakasih pak. Website ini merupakan website yang berisi penjelasan mengenai AI, ML, DL dalam bahasa indonesia yang paling mudah dicerna dan dipahami. Jadi semangat melanjutkan belajarnya, hehe.

Ahmad Kurniawan
Ahmad Kurniawan
Reply to  M. Raihan R.A
10 days ago

Saya sepakat Mas Raihan.
Beberapa website sy buka untuk memahapi konsep mesin learning.. Tapi website yang bisa memberi saya pemahaman lebih baik, khususnya terkait istilah-istilah dalam ML dan DL..

Terimakasih Mas MB Herlambang atas sharing ilmu nya. Semoga berkah

bramasta vikana
bramasta vikana
1 year ago

selamat siang, website ini sangat membantu saya memahami ANN dan saya ingin mencoba melanjutkanya ke CNN namun ada yang saya binung tuk proses import image nya bagaimana caranya ya dan apakah ada github nya? terimakasihh

bramasta vikana
bramasta vikana
1 year ago

pertanyaan saya bgaiamankah cara cnn nya melakukan test pada halaman ke 3 tanpa menggunakan weight atau model yg telah di training? apakah pada code result = MesinKlasifikasi.predict(test_image) weoght atau model yang digunakan tadi sudah tersimpan? atau pada halam ke 3 ini menjadi 1 dengan training code? terimakasih

bramasta vikana
bramasta vikana
1 year ago

selamat malam ,terimakasih telah menjawab pertanyaan saya sebelumnya saya ada pertanyaan pada halan 2 terdapat hasil training dengan val_los >1.0 dan dan training loss 1.0 dikatakan overfitt? terimakasih

bramasta vikana
bramasta vikana
Reply to  MB Herlambang
1 year ago

terimakasihh , mohon maaf pertanyaan saya ambigu maksd saya bukankah val los >1.0 dan loss < 1.0 merupakan overfit, dengan jawaban yg sudah di berikan dapat saya terima terimakasih sekali lagi

Hery
Hery
1 year ago

Untuk arsitektur CNN seperti ini jika diimplementasikan 10 Cross Fold Validation caranya gimana ya pak?

Roni
Roni
1 year ago

Assalamuallaikum warahmatulahi wabarokatuh, selamat siang, saya mau bertanya, terkait dataset, ketika mencoba membuat dataset untuk klasifikasi lebih dari 2 Class misal kucing, anjing, kambing, atau bahkan banyak class, bagaimana cara mengatur labeling dan foldernya ?
terimakasih

Imam
Imam
1 year ago

Assalamu’alaikum, Pak saya ingin bertanya, kalau kita misalnya ingin membuat aplikasi face recognition dengan CNN yg terdiri dari 20 class (20 orang berbeda) lalu ketika kita ingin prediksi nya dengan webcam, Bagaimana cara kita membuat / mendefinisikan bahwa orang yang tidak termasuk kedalam 20 class atau tidak ada di dalam dataset tersebut di prediksi sebagai “UNKNOWN”? dan berapa jumlah neuron yg seharusnya kita masukkan di Dense terakhir pada output layer pak?, Terima Kasih.

Imam
Imam
Reply to  MB Herlambang
1 year ago

Jd Pak, Kalau misalnya mau buat face recognition, jenis data yg dimasukkan di input_shape itu lebih cocok yg rgb (3 channel) atau grayscale (1 channel)? mohon pencerahannya, terima kasih pak

ImamJ
ImamJ
1 year ago

Pak saya ingin bertanya, kalo misalanya ingin buat face recognition 30 kelas dengan data keseluruhan 50 rb data (train dan validasi) serta data tersebut hasil augmentasi, apakah data dgn jumlah segitu sudah cukup mas? mohon penjelasannya pak terima kasih

ImamJ
ImamJ
Reply to  MB Herlambang
1 year ago

Baik pak, oiya pak kalau misalnya data sudah diaugmentasi secara manual, apakah perlu diaugmentasi kembali di dalam program ketika ingin training data, seperti pada halaman ini yaitu dgn ImageDataGenerator (rescale = 1./255, zoom_range = 0, 2, Horizontal_flip=True… dst) apakah ada pengaruhnya untuk data yg sudah diaugmentasi secara manua pak?

ImamJ
ImamJ
Reply to  MB Herlambang
1 year ago

Oke baik, pak noted, oiya pak kalo misalnya training data tapi hasilnya kadang2 yg validation accuracy lebih tinggi dari pada training accuracy misal 98 % : 96 % atau kadang 99 % : 100 %, itu kenapa bisa begitu ya kira2pak? apakah itu tidak masalah? terima kasih pak

Imam
Imam
1 year ago

Assalamu’alaikum pak, saya ingin bertanya, gimana ya caranya untuk mengatasi validation loss yg naik turun dan beda jauh jaraknya sama training loss? padahal validation accuracy nya sudah cukup bagus dan mendekati training accuracy nya. uda byak eksperimen dilakukan tanpa dan dgn regularization seperti (dropout, L2) dan data augmentation serta sudah juga mencoba menambah atau mengurangi layer convolusi dan pooling, tapi validation loss nya tetep aja naik turun, jumlah data yg saya gunakan 50 ribu. Tampilan grafiknya seperti dibawah ini

2.1.JPG
Imam
Imam
Reply to  MB Herlambang
1 year ago

data saya data image pak, saya sedang membuat face recognition dgn jumlah class 30, dan dgn split data, train (75 %) = per class 1200 data, val (25 %) = perclass 400 data, uda dicoba manual/offline augmentasi juga pak dgn jumlah data jdi 96 rb, tapi val loss nya msh ga stabil (naik turun) padahal val accuracy ny sudah cukup bagus. Model saya seperti pada gambar dgn 3 hidden layer setelah flatten ().

model.JPG
Budi
Budi
1 year ago

Assalamu’alaikum, Terimakasih penjelasannya. Saya ingin bertanya, apakah CNN dapat diaplikasikan untuk melakukan prediksi data spasial / data grid?

Misalkan saya memiliki series data curah hujan pengamatan dalam bentuk grid, suhu dan kelembapan udara dalam bentuk grid [X,Y,Z(curah hujan, suhu, kelembapan) dan T(waktu)]. Kemudian saya ingin memprediksi curah hujan tersebut menggunakan data suhu dan kelembapan sebagai prediktor. Apakah ini bisa dilakukan dengan CNN?

Budi
Budi
Reply to  MB Herlambang
1 year ago

Terimakasih pak atas responnya.

Selain menggunakan pendekatan regresi, apakah pendekatan RNN juga dapat diaplikasikan pada kasus prediksi seperti di atas?

Anggari
Anggari
1 year ago

Terima kasih utk penjelasan mengenai deep learning. Saya mau bertanya di bagian ‘dataset/training_set’ apakah folder dataset tsb harus 1 folder dgn aplikasi deeplearning yg dibuat?

fahm
fahm
1 year ago

trimakasihbanyak penjelasanya mencerahkan bangut bagi kami para pemula.
Apakah ada email atau apapun yang bisa saya hubungi untuk diskusi?

Rezdian Yursandi
Rezdian Yursandi
1 year ago

Apakah jika val_loss naik berarti model tidak baik? bagaimana menurunkan val_loss?

alya
alya
1 year ago

assalamualaikum mohon pencerahanya saya ada tugas akhir perkuliyahan tentang menghitung kerumunan orang menggunakan CNN minta tolong saranya pak saya kebingungan bagaimana cara saya menghitungnya sedangkan setau saya CNN cuma buat klasifikasi untuk deteksi objek saja.. mohon pencerahanya dan trimakasih banyak.

alya
alya
Reply to  MB Herlambang
1 year ago

trimakasih banyak saranya pak akan tetapi saya masih bingung untuk memisahkan background dengan objek orangnya bagaimana pak? misal dalam sebuah pusat perbelanjaan, kan banyak objek bukan hanya orang terus untuk memisahkan objek-objek tersebut bagaimana pak? saya masih belum faham mohon sangat pencerahanya.
terimakasih banyak

idabagusindra
idabagusindra
8 months ago

Kalau untuk deteksi suara seperti membedakan suara alat musik, apakah hampir mirip-mirip ya untuk code nya ? Apakah cuman berbeda di data set nya saja ? Terimakasih

Clarisa
Clarisa
8 months ago

Pak mau tanya bagian yang terakhir ini semisal kita cma gambar untuk test nya cma 3 apa bisa?

Clarisa
Clarisa
Reply to  MB Herlambang
8 months ago

Apa menambahkan epoch tanpa memperbaiki arsitektur cnn dapat menghindarkan terjadinya overfitting?

Kemudian training itu dikatakanan optimal
apabila ?

Last edited 8 months ago by Clarisa
Ahmad Kurniawan
Ahmad Kurniawan
Reply to  MB Herlambang
10 days ago

Permisi pak izin bertanya..

Menurut bapak, rasio yang baik utk pemabagian dataset yang terbilang sedikit hanya sekitar 300 citra seperti apa ya pak?

Saya membagi dataset sebanyak 80% yaitu (training dan validasi) masing-masing adalah 210 citra dan 30 citra (akan sy gunakan utk proses training/pembuatan model classifier)

kemudian 20% untuk testing (60 citra) diuji melalui GUI mobile (andorid)

apakah rasio diatas cukup baik pak? atau sebaiknya sy mengurangi jumlah data testing, dan menambahkannya menjadi data (training/validasi) agar hasilnya semakin baik?

Mohon jawaban masukkannya pak. Terimakasih..

Ahmad Kurniawan
Ahmad Kurniawan
Reply to  MB Herlambang
9 days ago

Oh bgitu ya pak.. 1 lagi pak mohon pencerahannya.. Kasus yang sedang sy alami adalah dataset yang sangat sedikit. yaitu citra daun cabai yang terserang hama Saya melakukan proses pengambilan data (pemotretan langsung) dgn beberapa parameter (jarak antara objek dan kamera, intesitas cahaya dll) Namun, berhubung objek yang sy kumpulkan sangat sedikit, sy melakukan augmentasi secara manual pada saat pemotretan seperti merotasi objek daun tsb atau mengacak sudut pemotretan yg sy lakukan.. misalnya sy memiliki 15 citra daun per kelas, setiap daun sy lakukan 10 kali parubahan sudut saat pemotretan. dan total data yg saya dapat kan 150 citra per… Read more »

Last edited 9 days ago by Ahmad Kurniawan