https://github.com/killflex/robotika-uts-uas

https://github.com/killflex/robotika-uts-uas

Last synced: 6 months ago
JSON representation

• Host: GitHub
• URL: https://github.com/killflex/robotika-uts-uas
• Owner: killflex
• Created: 2025-04-21T04:51:11.000Z (12 months ago)
• Default Branch: main
• Last Pushed: 2025-06-23T01:36:26.000Z (10 months ago)
• Last Synced: 2025-06-23T02:37:56.967Z (10 months ago)
• Language: Jupyter Notebook
• Size: 6.54 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# 🧠 Project Title

## 👥 Kelompok Peneliti

| Nama                | NIM         |

| ------------------- | ----------- |

| Yudhistira Nanda K. | 22081010055 |

| Daniel Perdana M.   | 22081010064 |

| Ferry Hasan         | 22081010085 |

| Suwito              | 22081010102 |

| Jerry Ramadhani C.  | 22081010140 |

---

## 📌 Deskripsi Singkat Proyek

Proyek ini bertujuan untuk membangun model klasifikasi gambar berbasis CNN (Convolutional Neural Network) untuk mengidentifikasi objek: **Kursi**, **Meja**, **Pintu**, dan **Manusia**.

---

## 🔍 Metodologi Penelitian

1. **Dataset**  

   Dataset berisi gambar 4 kelas: Kursi, Meja, Pintu, dan Manusia.  

   📁 _Jumlah data per kelas_: 40 gambar validasi dan 40 gambar test per kelas.  

   🔗 **Link dataset**: [Dataset di Google Drive / Kaggle](#)

2. **Arsitektur Model**

   - Transfer Learning menggunakan arsitektur pretrained seperti VGG16/VGG19

   - Fully Connected Layers di akhir untuk klasifikasi 4 kelas

   - Fungsi aktivasi: ReLU dan Softmax

3. **Training Setup**

   - Epoch: 20

   - Optimizer: Adam

   - Loss Function: Categorical Crossentropy

   - Batch size: disesuaikan dengan resource

---

## 📈 Proses Training Model

Berdasarkan **gambar Epoch logs dan grafik**:

- **Accuracy dan Loss** selama training terlihat sangat tinggi di data training dan juga validasi (akurasi validasi mencapai ~99.37% pada epoch ke-20).

- Namun terjadi indikasi **overfitting** karena model terlalu akurat pada data training dan validasi, tapi performa pada test dan klasifikasi per kelas buruk.

#### Gambar Grafik Akurasi & Loss:

- Kiri: Akurasi training dan validasi naik drastis

- Kanan: Loss training turun tajam, sementara **loss validasi naik** setelah beberapa epoch → indikasi overfitting.

---

## ✅ Evaluasi Model

### 📋 Classification Report (Validasi)

| Class   | Precision | Recall | F1-Score |

| ------- | --------- | ------ | -------- |

| Kursi   | 0.17      | 0.17   | 0.17     |

| Manusia | 0.22      | 0.23   | 0.22     |

| Meja    | 0.23      | 0.23   | 0.23     |

| Pintu   | 0.23      | 0.23   | 0.23     |

> **Accuracy hanya 21% pada data validasi meski akurasi sistem menunjukkan 99.37% → Overfitting parah.**

### 🧾 Confusion Matrix (Validasi)

![Confusion Matrix](path_to_confusion_matrix.png)

- Klasifikasi sangat tidak akurat, hampir semua kelas saling tertukar.

- Contoh: Gambar “Manusia” banyak diklasifikasikan sebagai “Kursi”.

### 🧪 Evaluasi Test Data

- **Test Accuracy**: 96.88%

- **Test Loss**: 0.4101

> Namun sama seperti validasi, akurasi tinggi ini menyesatkan karena model kemungkinan besar hanya hafal data training.

## 📂 Struktur Proyek

```

├── model/

│   └── saved_model.h5

├── notebooks/

│   └── model_training.ipynb

├── evaluation/

│   ├── confusion_matrix.png

│   └── training_graphs.png

└── README.md

```

---