Skip to content

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

Proyek Klasifikasi Gambar — Garbage Classification (12 Classes)

Submission akhir kelas Belajar Pengembangan Machine Learning (Dicoding). Model CNN untuk mengklasifikasikan gambar sampah rumah tangga ke dalam 12 kelas.

Dataset

Garbage Classification (12 classes) oleh Mostafa Mohamed — 15.515 gambar, 12 kelas: battery, biological, brown-glass, cardboard, clothes, green-glass, metal, paper, plastic, shoes, trash, white-glass. Dataset ini berbeda dari dataset Rock-Paper-Scissors maupun X-Ray yang sudah digunakan pada kelas sebelumnya.

Ringkasan Model

  • Arsitektur: Sequential — 4 blok Conv2D (64→128→256→512) + BatchNormalization + MaxPooling2D, dilanjutkan GlobalAveragePooling2D → Dense(512) → BatchNormalization → Dropout(0.5) → Dense(12, softmax).
  • Input: gambar di-resize on-the-fly ke 128x128 (gambar asli tidak melalui preprocessing/resize manual — resolusi asli bervariasi per gambar, lihat cell eksplorasi dataset di notebook).
  • Augmentasi (rotasi, shift, zoom, flip, brightness) hanya diterapkan pada data training.
  • Split data: 80% train / 10% validation / 10% test (stratified per kelas), total 15.515 gambar.
  • Optimizer Adam dengan clipnorm=1.0 untuk stabilitas numerik.
  • Callback: EarlyStopping, ReduceLROnPlateau, ModelCheckpoint, dan callback custom StopAtAccuracy (berhenti otomatis saat akurasi training & validasi mencapai 95%).
  • Training final dijalankan penuh (50 epoch) di Google Colab (GPU T4).

Hasil Akhir

Metrik Nilai
Training Accuracy 97.66%
Test Accuracy 88.40%

Kedua metrik melampaui target minimum 85% pada rubrik submission.

Struktur Submission

.
├── tfjs_model/
│   ├── group1-shard1of2.bin
│   ├── group1-shard2of2.bin
│   └── model.json
├── tflite/
│   ├── model.tflite
│   └── label.txt
├── saved_model/
│   ├── saved_model.pb
│   ├── fingerprint.pb
│   ├── keras_metadata.pb
│   ├── assets/
│   └── variables/
├── Submission_Akhir_Jan_Agra_Adyuta_Harnowo.ipynb   (notebook utama)
├── README.md
└── requirements.txt

Cara Menjalankan (Lokal)

Proyek ini menggunakan satu virtual environment (.venv, Python 3.11) untuk seluruh alur kerja: loading data, training, evaluasi, hingga konversi model ke SavedModel, TF-Lite, dan TFJS.

python3.11 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Kredensial Kaggle API diperlukan untuk mengunduh dataset secara otomatis (jika data/garbage_classification belum ada). Simpan token di ~/.kaggle/kaggle.json sesuai dokumentasi Kaggle API.

Jalankan notebook:

jupyter nbconvert --to notebook --execute --inplace "Submission_Akhir_Jan_Agra_Adyuta_Harnowo.ipynb"
# atau buka & jalankan langsung di Jupyter/VS Code

Menjalankan di Google Colab

  1. Upload notebook ke Google Colab.
  2. Pilih runtime dengan GPU (T4): Runtime → Change runtime type → T4 GPU.
  3. Jalankan sel pertama (deteksi Colab otomatis menginstal tf-keras + tensorflowjs di atas TensorFlow bawaan Colab, tanpa mengubah versi TensorFlow/numpy bawaan) — setelah instalasi selesai, restart runtime lalu jalankan notebook dari awal (Run all).
  4. Saat sampai di sel "Data Loading", upload kaggle.json Anda sesuai instruksi di sel tersebut.
  5. Karena tidak ada file checkpoints/best_model.keras di Colab, sel training akan otomatis melatih model dari awal (50 epoch) menggunakan arsitektur & callback yang sama.

Catatan Teknis

  • Training lokal (opsional) memanfaatkan GPU Apple Silicon (Metal) melalui tensorflow-metal.
  • tensorflow==2.15.1 (lokal) dipilih karena tensorflowjs membutuhkan versi TensorFlow yang lebih lama agar seluruh dependency (termasuk tensorflow-decision-forests, dependency internal konverter TFJS) dapat terpasang tanpa konflik versi protobuf/ml_dtypes dalam satu environment yang sama.
  • Model menggunakan API Keras 2 "legacy" (keras.optimizers.legacy.Adam, model.save() format SavedModel). Di Google Colab, ini dicapai lewat paket tf-keras + environment variable TF_USE_LEGACY_KERAS=1, tanpa mengubah TensorFlow bawaan Colab (menghindari konflik ABI numpy/scipy).
  • tensorflowjs selalu mengimpor tensorflow_decision_forests secara internal meski fitur tersebut tidak dipakai di notebook ini (model kita adalah CNN Keras biasa, bukan decision forest). Notebook menyertakan mekanisme fallback: jika import tensorflow_decision_forests gagal karena alasan versi, akan digantikan modul stub kosong agar tensorflowjs tetap bisa dipakai untuk konversi SavedModel → TFJS.

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages