Sintasitinuriah/Klasifikasi_Gambar_BISINDO

# 📚 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 …