Proyek: Pengenalan Angka dengan Menggunakan Dataset MNIST
Deskripsi Proyek: Siswa akan membuat aplikasi berbasis deep learning yang dapat mengenali angka yang ditulis tangan. Aplikasi ini menggunakan dataset MNIST, yang berisi gambar-gambar angka tulisan tangan (0-9). Siswa akan belajar cara melatih model deep learning untuk mengenali angka dari gambar, dan kemudian mengintegrasikan model tersebut dalam aplikasi yang bisa digunakan untuk memprediksi angka tulisan tangan yang ditulis di layar atau gambar.
Langkah-langkah Proyek
1. Persiapan Lingkungan dan Alat yang Diperlukan
Python: Bahasa pemrograman yang akan digunakan untuk membangun model deep learning.
TensorFlow/Keras: Framework deep learning untuk membangun dan melatih model.
Jupyter Notebook atau Google Colab: Untuk menulis dan menjalankan kode Python.
Dataset MNIST: Dataset yang berisi gambar angka tulisan tangan yang digunakan untuk melatih model.
2. Mempersiapkan Dataset
Dataset MNIST sudah tersedia dan bisa diakses melalui TensorFlow. Dataset ini berisi 60.000 gambar untuk pelatihan dan 10.000 gambar untuk pengujian, masing-masing berisi angka tulisan tangan dari 0 hingga 9.
Langkah-langkah:
Mengimpor dan mempersiapkan dataset MNIST menggunakan TensorFlow.
Membagi dataset menjadi data pelatihan dan data pengujian.
Contoh kode:
import tensorflow as tf
from tensorflow.keras import layers, models
# Load dataset MNIST
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
# Normalize pixel values to be between 0 and 1
train_images, test_images = train_images / 255.0, test_images / 255.0
3. Membangun Model Deep Learning
Model yang akan dibuat adalah Convolutional Neural Network (CNN), yang sangat efektif untuk pengenalan gambar. Model ini akan memiliki beberapa lapisan konvolusional, diikuti dengan lapisan pooling dan lapisan fully connected untuk klasifikasi.
Langkah-langkah:
Membangun arsitektur model CNN sederhana.
Menambahkan lapisan konvolusi dan pooling.
Menghubungkan lapisan-lapisan tersebut dengan lapisan dense untuk klasifikasi akhir.
Contoh kode:
model = models.Sequential([
layers.Rescaling(1./255, input_shape=(28, 28, 1)), # Normalisasi gambar
layers.Conv2D(32, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(10, activation='softmax') # 10 kelas (0-9)
])
4. Melatih Model
Melatih model dengan data pelatihan dan mengevaluasi hasilnya menggunakan data pengujian.
Langkah-langkah:
Menyusun model dengan fungsi loss dan optimizer.
Melatih model dengan data pelatihan dan mengevaluasi akurasi menggunakan data pengujian.
Contoh kode:
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=5)
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)
5. Menguji Model
Setelah model dilatih, siswa bisa menguji model menggunakan gambar yang diambil dari perangkat mereka (misalnya, menggunakan kamera atau gambar yang diunggah).
Mereka dapat mengonversi gambar menjadi format yang bisa diproses oleh model, misalnya mengubah ukuran gambar ke 28x28 piksel dan mengonversi ke grayscale.
Contoh kode untuk menguji model dengan gambar baru:
import numpy as np
import cv2
from tensorflow.keras.preprocessing import image
# Mengambil gambar dari kamera (misalnya)
img = cv2.imread('path_to_image.jpg', 0) # 0 untuk grayscale
img_resized = cv2.resize(img, (28, 28))
# Menyiapkan gambar untuk prediksi
img_array = img_resized.reshape(1, 28, 28, 1) / 255.0 # Normalisasi
# Prediksi angka
prediction = model.predict(img_array)
predicted_number = np.argmax(prediction)
print("Predicted Number:", predicted_number)
6. Membuat Antarmuka Pengguna (UI)
Untuk aplikasi yang lebih menarik, siswa dapat membuat antarmuka pengguna menggunakan Tkinter (untuk aplikasi desktop) atau Kivy (untuk aplikasi mobile) yang memungkinkan pengguna untuk menggambar angka tangan secara langsung dan kemudian memprediksi angka tersebut.
Langkah-langkah:
Buat aplikasi yang memungkinkan siswa menggambar angka di layar.
Gunakan kode untuk memproses gambar yang digambar dan mengirimkannya ke model untuk prediksi.
7. Presentasi dan Evaluasi
Siswa akan mendemonstrasikan aplikasi mereka di kelas, menunjukkan bagaimana model dapat mengenali angka tulisan tangan yang digambar atau diunggah.
Mereka akan mengevaluasi akurasi model dan mengidentifikasi area yang bisa diperbaiki untuk meningkatkan kinerja model.
Pembelajaran yang Diperoleh Siswa:
1. Pemahaman Deep Learning: Siswa belajar bagaimana model deep learning dapat digunakan untuk pengenalan gambar.
2. Praktek dengan Dataset: Menggunakan dataset nyata (MNIST) untuk melatih dan menguji model.
3. Koding dengan TensorFlow/Keras: Menulis dan menjalankan kode untuk membangun dan melatih model deep learning.
4. Pemrograman dan Pengembangan Aplikasi: Siswa belajar cara mengintegrasikan model deep learning ke dalam aplikasi yang dapat digunakan oleh orang lain.
5. Evaluasi dan Perbaikan Model: Memahami proses evaluasi model dan mencari cara untuk meningkatkan akurasi.
Kesimpulan:
Proyek ini akan memberikan siswa pengalaman langsung dengan deep learning, serta pemahaman praktis tentang bagaimana teknologi ini dapat digunakan untuk memecahkan masalah dunia nyata, seperti pengenalan tulisan tangan. Mereka juga akan memahami proses pembuatan dan evaluasi model machine learning, serta bagaimana membangun aplikasi berbasis AI.
Tidak ada komentar:
Posting Komentar