# Praktikum 1

## Deskripsi

Pada praktikum ini kita akan membuat model klasifikasi CNN sederhana pada kasus citra kucing dan anjing.

## Dataset

Dataset merupakan data citra anjing dan kucing yang telah dibagi menjadi data training dan data testing. Dikarenakan data cukup besar, pastikan koneksi Anda sebelum mengunduh dataset.

:arrow\_forward:[**DOWNLOAD**](https://drive.google.com/file/d/1vYrqBI1VmiXXJd5sgtKK2nuQvC8T1ryb/view?usp=drive_link):arrow\_left:

## Langkah 1 - Import Library

{% code overflow="wrap" lineNumbers="true" %}

```python
import tensorflow as tf
from keras.preprocessing.image import ImageDataGenerator
```

{% endcode %}

## Langkah 2 - Pra Pengolahan Data

Pada tahap ini kita akan sedikit melakukan manipulasi pada citra yang digunakan. Manipulasi yang dilakukan diantaranya adalah normalisasi nilai piksel, koreksi kemiringan, pembesaran (zoom), dan flip.

### Langkah 2.1. Pra Pengolahan Data Training

{% code overflow="wrap" lineNumbers="true" %}

```python
train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2,
                                   horizontal_flip = True)
training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                 target_size = (64, 64),
                                                 batch_size = 32,
                                                 class_mode = 'binary')
```

{% endcode %}

### Langkah 2.2. Pra Pengolahan Data Testing

{% code overflow="wrap" lineNumbers="true" %}

```python
test_datagen = ImageDataGenerator(rescale = 1./255)
test_set = test_datagen.flow_from_directory('dataset/test_set',
                                            target_size = (64, 64),
                                            batch_size = 32,
                                            class_mode = 'binary')
```

{% endcode %}

## Langkah 3 - Pembuatan Model CNN

### Langkah 3.1.  - Inisiasi Model CNN

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn = tf.keras.models.Sequential()
```

{% endcode %}

### Langkah 3.2. - Pembuatan Layer Konvolusi 1

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, activation='relu', input_shape=[64, 64, 3]))
```

{% endcode %}

### Langkah 3.3 - Pembuatan Layer Pooling 1

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn.add(tf.keras.layers.MaxPool2D(pool_size=2, strides=2))
```

{% endcode %}

### Langkah 3.4 - Pembuatan Layer Konvolusi 2 dan Pooling 2

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn.add(tf.keras.layers.Conv2D(filters=32, kernel_size=3, activation='relu'))
cnn.add(tf.keras.layers.MaxPool2D(pool_size=2, strides=2))
```

{% endcode %}

### Langkah 3.5 - Flattening

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn.add(tf.keras.layers.Flatten())
```

{% endcode %}

### Langkah 3.6 - Fully Connected Layer 1 (Input)

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn.add(tf.keras.layers.Dense(units=128, activation='relu'))
```

{% endcode %}

### Langkah 3.7 - Fully Connected Layer 2 (Output)

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn.add(tf.keras.layers.Dense(units=1, activation='sigmoid'))
```

{% endcode %}

### Langkah 3.8 - Compile Model CNN

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])
```

{% endcode %}

Penggunaan ***loss function binary crossentropy*** dikarenakan kita hanya melakukan klasifikasi pada dua kelas, yaitu kucing dan anjing.

## Langkah 4 - Fit CNN

{% code overflow="wrap" lineNumbers="true" %}

```python
cnn.fit(x = training_set, validation_data = test_set, epochs = 25)
```

{% endcode %}

## Langkah 5 - Prediksi dengan 1 Citra

Pada langkah ini, kita akan mencoba melakukan prediksi pada 1 citra anjing dan kucing.

```python
import numpy as np
from keras.preprocessing import image
test_image = image.load_img('dataset/single_prediction/cat_or_dog_1.jpg', target_size = (64, 64))
test_image = image.img_to_array(test_image)
test_image = np.expand_dims(test_image, axis = 0)
result = cnn.predict(test_image)
training_set.class_indices
if result[0][0] == 1:
  prediction = 'dog'
else:
  prediction = 'cat'
```