Link Dataset yang digunakan: Electronic datasets. Preprocessing yang digunakan antara lain Resizing, Augmentation 1:4. Dataset tidak semua nya digunakan saya hanya mengambil sebagian class yg ingin saya gunakan antara lain yaitu : Electrolytic-capacitor, LED, armature, attenuator,cartridge-fuse, clip-lead, filament, heat-sink, jumper-cable, limiter-clipper, memory-chip, microchip, microprocessor, potentiometer, pulse-generator, semiconductor-diode, solenoid, step-down-transformer
Model yang digunakan: Mengunanakan Pre Trained Model MobilenetV2 Dan ResNet50
Dataset yang digunakan adalah link sebagai berikut. Dataset terdiri atas kurang lebih 11.000 data dan sudah hilangkan sebagaian class nya yg menjadi 6626 data mengunakan configurasi data split 80% sebagai Training Set, 10% sebagai Validation Set, dan 10% sebagai Testing Set, dimana pada setiap Set, terdapat 18 Label Class yaitu Electrolytic-capacitor', 'LED,','armature','attenuator','cartridge-fuse','clip-lead','filament','heat-sink','jumper-cable'.'limiter-clipper','memory-chip','microchip','microprocessor','potentiometer','pulse-generator','semiconductor-diode','solenoid','step-down-transformer'
Preprocessing
Preprocessing yang dilakukan antara lain adalah resizing (224,224), lalu rescale / normalization dengan rentang 1./255, lalu melakukan augmentasi dengan parameter seperti rotation_range yang diatur ke 20, width_shift_range diatur ke 0.2, height_shift_range diatur ke 0.2 dan zoom_range diatur ke 0.1 . Setelah augmentasi selesai dilakukan, langkah terakhir adalah splitting dataset menjadi 3 (Training, Validation, dan Testing) sesuai dengan penjelasan pada Dataset.
Modelling
Hasil dari MobilenetV2 yang telah dibangun adalah sebagai berikut :
Model Evaluation
Berikut adalah hasil dari MobilenetV2 Model yang telah dibangun :
Plot diatas menunjukkan bahwa training acc dapat diatas 80%, namun validation acc nya pada rentang 40 hingga 60%.
Plot diatas menunjukkan bahwa loss dari training set mengalami penurunan dari 2.0 hingga 0.6, sedangkan val_loss dengan rentang loss antara 1.6 stabil hingga 1.2.
Gambar diatas merupakan Classification Report dari Model setelah dilakukan predict terhadap Testing Set. Dapat dilihat bahwa Akurasinya mencapai 66% dengan hasil prediksi tertinggi pada label 'cartridge-fuse' dapat di 87% dan hasil terendah pada label 'microchip' dapat di 41%
Matriks di atas adalah hasil dari model yg telah di gunakan bisa dilihat semakin pekat warnanya maka semakin bagus hasil prediksinya
Preprocessing
Preprocessing yang dilakukan antara lain adalah resizing (224,224), lalu rescale / normalization dengan rentang 1./255, lalu melakukan augmentasi dengan parameter seperti rotation_range yang diatur ke 20, width_shift_range diatur ke 0.2, height_shift_range diatur ke 0.2 dan zoom_range diatur ke 0.1 . Setelah augmentasi selesai dilakukan, langkah terakhir adalah splitting dataset menjadi 3 (Training, Validation, dan Testing) sesuai dengan penjelasan pada Dataset.
Modelling & Evaluation
Berikut hasil dari Model:
Plot diatas menunjukkan bahwa training_acc meningkat dari 15% sampai dengan 50% , namun val_acc nya mengalami fluktuasi.
Dapat dilihat pada plot loss diatas. Training dan Val Loss sama - sama turun, namun val_loss cenderung melakukan fluktuasi.
Gambar diatas menunjukkan Classification Report dari Model setelah dilakukan predict terhadap Testing Set. Terlihat bahwa Model lebih jelek dari MobilenetV2 Model dalam generalisasi data hanya mendapatkan Akurasi sebesar 40% yg dimana MobilenetV2 mendapatkan Akurasi sebesar 66%.
Matriks di atas adalah hasil dari model yg telah di gunakan bisa dilihat semakin pekat warnanya maka semakin bagus hasil prediksinya
Untuk informasi lebih lanjut tentang api termasuk bagaimana api digunakan, lihat FastApi APP.md.
link : https://uap-machine-learning-nxb3hvon4tjahnx9thbzlc.streamlit.app