Sintasitinuriah/Klasifikasi_Gambar_BISINDO
Domain:
natural language processingRecord type:
model
Creator:
Sin
Host:
# 📚 Project Klasifikasi Gambar
Project ini adalah implementasi model klasifikasi menggunakan **TensorFlow** dan berbagai tools pendukung lainnya, termasuk konversi model ke **TensorFlow.js** dan **TensorFlow Lite (TFLite)** untuk keperluan deployment di web dan mobile.
## 🚀 Teknologi dan Library yang Digunakan
- **TensorFlow** — untuk membangun dan melatih model klasifikasi.
- **TensorFlow.js** — untuk mengkonversi model ke format yang bisa dijalankan di browser.
- **Splitfolders** — untuk membagi dataset menjadi data training, validation, dan testing.
- **Matplotlib** — untuk visualisasi data dan hasil pelatihan.
- **Numpy** — untuk pengolahan data numerik.
- **Seaborn** — untuk membuat visualisasi statistik seperti confusion matrix.
- **Scikit-learn** — untuk evaluasi model (classification report, confusion matrix, dll).
- **TFLite** — untuk mengkonversi model ke format ringan untuk perangkat mobile.
## 📂 Struktur Proyek
```plaintext
.
├── dataset/
│ ├── train/
│ ├── val/
│ └── test/
├── saved_model/
│ ├── assets/
│ ├── variables/
| ├── fingerprint.pb
│ └── saved_model.pb
├── tfjs_model/
│ ├── group1-shard1of7.bin
│ ├── group1-shard2of7.bin
│ ├── group1-shard3of7.bin
│ ├── group1-shard4of7.bin
│ ├── group1-shard5of7.bin
│ ├── group1-shard6of7.bin
│ ├── group1-shard7of7.bin
│ └── model.json
├── tflite/
│ ├── label.txt
│ └── model.tflite
├── submission_klasifikasi_gambar.ipynb
├── README.md
└── requirements.txt
```
## 🧪 Langkah-langkah Penggunaan
### 1. Persiapkan Dataset
- Dataset dibagi menjadi train/validation/test menggunakan `splitfolders`.
### 2. Training Model
- Model dikembangkan menggunakan **TensorFlow**.
- Visualisasi akurasi dan loss dilakukan menggunakan **Matplotlib** dan **Seaborn**.
### 3. Evaluasi Model
- Evaluasi dilakukan menggunakan **Scikit-learn** untuk menghasilkan metrics seperti:
- Accuracy
- Precision
- Recall
- Confusion Matrix
### 4. Konve …