https://github.com/addsarah/image-classification-intermediate
Applied Machine Learning Intermediate Dicoding, last update 24 March 2025
https://github.com/addsarah/image-classification-intermediate
convolutional-neural-networks dicoding image-classification image-processing keras machine-learning python tensorflow tflite
Last synced: 2 months ago
JSON representation
Applied Machine Learning Intermediate Dicoding, last update 24 March 2025
- Host: GitHub
- URL: https://github.com/addsarah/image-classification-intermediate
- Owner: addsarah
- Archived: true
- Created: 2025-03-21T03:49:20.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2025-05-14T16:52:12.000Z (about 1 year ago)
- Last Synced: 2025-06-08T04:43:00.083Z (about 1 year ago)
- Topics: convolutional-neural-networks, dicoding, image-classification, image-processing, keras, machine-learning, python, tensorflow, tflite
- Language: Jupyter Notebook
- Homepage: https://colab.research.google.com/drive/1Xl6TZHuyQ_n5zSboZm3WfWIRFTPjadS-?usp=sharing
- Size: 991 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Proyek Klasifikasi Gambar: Fruit and Vegetable Disease (Healthy vs Rotten)
- **Nama:** Sarah Adibah
- **Email:** sarahadibah06@gmail.com
- **ID Dicoding:** [addsarah](https://www.dicoding.com/users/addsarah/academies)
Proyek ini mengembangkan model **Convolutional Neural Network (CNN)** berbasis **VGG16** untuk mengklasifikasikan kondisi buah dan sayuran dalam kategori **Healthy (sehat) dan Rotten (busuk)**. Dataset yang digunakan terdiri dari berbagai jenis buah dan sayuran yang telah diproses dengan **resize, normalisasi, dan augmentasi** agar model dapat belajar dengan lebih baik. Model dilatih menggunakan **optimizer Adam** dan **loss function categorical crossentropy**, dengan metrik evaluasi berupa **akurasi**. Selain itu, proyek ini menerapkan **EarlyStopping**, yang memungkinkan training berhenti otomatis jika akurasi telah mencapai lebih dari **95%**, sehingga mencegah overfitting . Jika training berhenti pada **epoch 1**, maka **plot loss dan akurasi tidak akan muncul** karena jumlah epoch yang berjalan terlalu sedikit untuk divisualisasikan.
Setelah pelatihan, model dikonversi ke beberapa format untuk mendukung berbagai platform, yaitu **SavedModel**, **TF-Lite**, serta **TensorFlow.js (TFJS)**. Model diuji dengan gambar baru menggunakan inference pada format **SavedModel, TF-Lite, dan TFJS**, sehingga dapat digunakan secara fleksibel. Dengan akurasi yang mencapai lebih dari **95%**, proyek ini berhasil membangun model klasifikasi gambar yang efektif untuk mendeteksi kondisi buah dan sayuran.
Laporan ini mendokumentasikan tujuan, metode, hasil, dan kesimpulan proyek guna memudahkan pemahaman tentang keseluruhan proses pengembangan model. Tujuan utama proyek ini adalah menciptakan sistem klasifikasi gambar yang dapat mendeteksi kondisi buah dan sayuran secara akurat. Metode yang digunakan mencakup preprocessing data, transfer learning menggunakan VGG16, serta evaluasi model dengan confusion matrix dan accuracy plot. Hasil pelatihan menunjukkan bahwa model mampu mencapai akurasi tinggi dengan efisiensi training yang lebih baik berkat penggunaan EarlyStopping.