Klasifikasi Gambar Batu-Gunting-Kertas

Proyek ini adalah bagian dari Submission Proyek Akhir untuk kelas Belajar Machine Learning untuk Pemula di Dicoding. Program ini menggunakan Convolutional Neural Network (CNN) untuk melakukan klasifikasi gambar tangan yang membentuk tiga kategori: batu, gunting, atau kertas. Proyek ini dirancang untuk dijalankan langsung di Jupyter Notebook atau Google Colab.

Fitur Utama

• Klasifikasi Gambar: Mampu mengenali gambar tangan yang membentuk batu, gunting, atau kertas.
• Model yang Terlatih: Menggunakan CNN yang dilatih dengan dataset batu-gunting-kertas.
• Kompatibilitas: Dirancang untuk dijalankan pada Jupyter Notebook atau Google Colab.

Teknologi yang Digunakan

• Bahasa Pemrograman: Python
• Framework Machine Learning: TensorFlow dan Keras
• Visualisasi: Matplotlib untuk analisis hasil model
• Platform: Google Colab atau Jupyter Notebook

Dataset

Dataset yang digunakan dalam proyek ini adalah dataset rock-paper-scissors yang disediakan oleh Dicoding. Dataset ini dapat diunduh secara otomatis dengan menggunakan perintah berikut di dalam notebook:

!wget --no-check-certificate \
    https://github.com/dicodingacademy/assets/releases/download/release/rockpaperscissors.zip \
    -O /tmp/rockpaperscissors.zip

Dataset ini berisi gambar tangan manusia yang membentuk tiga kategori: batu, gunting, dan kertas.

Langkah-Langkah Penggunaan

1. Clone Repository Clone repository ini ke komputer Anda:

   git clone https://github.com/Ysfii-Dev/Image-Classification.git
   cd rock-paper-scissors-classifier

2. Buka Google Colab atau Jupyter Notebook Pastikan Anda memiliki akses ke Google Colab atau Jupyter Notebook.

3. Salin atau Unduh Notebook Salin atau unduh file notebook (.ipynb) proyek ini ke Google Colab atau lokal Anda.

4. Instal Dependensi (Jika Diperlukan) Pastikan semua dependensi telah terpasang. Jika menggunakan Google Colab, TensorFlow dan dependensi lainnya biasanya sudah tersedia. Anda hanya perlu menjalankan:

   !pip install matplotlib seaborn

5. Unduh Dataset Unduh dan ekstrak dataset menggunakan perintah berikut di dalam notebook:

   import zipfile
   !wget --no-check-certificate \
       https://github.com/dicodingacademy/assets/releases/download/release/rockpaperscissors.zip \
       -O /tmp/rockpaperscissors.zip
   with zipfile.ZipFile('/tmp/rockpaperscissors.zip', 'r') as zip_ref:
       zip_ref.extractall('/tmp/')

6. Latih Model Jalankan semua sel di notebook untuk memuat dataset, melatih model CNN, dan mengevaluasi hasilnya.

7. Evaluasi dan Visualisasi Analisis akurasi dan loss model dengan grafik yang akan ditampilkan di notebook.

Evaluasi Model

Model ini berhasil mencapai akurasi pelatihan hingga 95% dengan loss minimal pada dataset pengujian.

Kontak

Jika ada pertanyaan atau saran, Anda dapat menghubungi:

• Nama: Yusfi
• Email: [email protected]

Lisensi

Proyek ini dilisensikan di bawah MIT License.