DOKUMEN
FORM F/SPMI/03-10-01
SOAL UJIAN
1. Tuliskan dan jelaskan dengan contoh konsep dasar dari : …(Bobot Nilai 40)
A. Multiclass Classification
adalah masalah dalam contoh klasifikasi ke dalam satu dari tiga atau banyak kelas (Klasifikasi
instance ke dalam salah satu dari dua kelas disebut klasifikasi biner). Walaupun beberapa algoritma
klasifikasi biasanya mengizinkan penggunaan lebih dari dua kelas (ada yang menggunakan algoritma
biner), namun hal ini dapat diubah menjadi classifier multinomial dengan berbagai strategi.
Contoh multiclass classification adalah identifikasi jenis bunga iris, dimana pada contoh
ini bunga iris memiliki 3 jenis kelas yaitu: Setosa, Versicolour, dan Virginica.
Autoencoder adalah salah satu varian dari jaringan saraf tiruan (JST) yang secara umum
digunakan untuk meng-“encode” suatu data. Berbeda dengan arsitektur JST pada umumnya yang dilatih
untuk mengklasifikasi atau menghitung nilai regresi dari masukan, autoencoder dilatih untuk dapat
menghasilkan output yang sama dengan inputnya. Autoencoder termasuk pada kategori Unsupervised
Learning karena dilatih dengan menerima data tanpa label.
Convolutional Neural Network adalah salah satu metode machine learning dari
pengembangan Multi Layer Perceptron (MLP) yang didesain untuk mengolah data
dua dimensi. CNN termasuk dalam jenis Deep Neural Network karena dalamnya
tingkat jaringan dan banyak diimplementasikan dalam data citra.
Contoh : Klasifikasi Citra Menggunakan Convolutional
(Dr. Wanayumini, S. Kom, M. Kom) (Dr. Wanayumini, S.Kom, M.Kom) ( Ratih Puspasari, M.Kom )
Dokumen ini milik Universitas Potensi Utama, Dilarang memperbanyak atau menggunakan informasi didalamnya tanpa persetujuan
Universitas Potensi Utama
DOKUMEN LEVEL NO. DOKUMEN
FORM F/SPMI/03-10-01
SOAL UJIAN
2. Dari gambar di bawah ini, input berupa image cat yang akan dijadikan sample berukuran 10x10 pada
mulut cat tersebut dan output yang dihasilkan adalah image classification berdasarkan persentase
cat,dog,hat dan mug, lakukan proses menggunakan algoritma CNN (Convolution Neural Netwrok)
untuk mendapatkan nilai piksel sehingga mendapatkan persentase yang menyatakan apakah image
tersebut cat, dog, hat dan mug. (Bobot Nilai 60)
(Dr. Wanayumini, S. Kom, M. Kom) (Dr. Wanayumini, S.Kom, M.Kom) ( Ratih Puspasari, M.Kom )
Dokumen ini milik Universitas Potensi Utama, Dilarang memperbanyak atau menggunakan informasi didalamnya tanpa persetujuan
Universitas Potensi Utama
DOKUMEN LEVEL NO. DOKUMEN
FORM F/SPMI/03-10-01
SOAL UJIAN
classifier = Sequential()
# Step 1 - Convolution
# Step 2 - Pooling
# Step 3 - Flattening
classifier.add(Flatten())
(Dr. Wanayumini, S. Kom, M. Kom) (Dr. Wanayumini, S.Kom, M.Kom) ( Ratih Puspasari, M.Kom )
Dokumen ini milik Universitas Potensi Utama, Dilarang memperbanyak atau menggunakan informasi didalamnya tanpa persetujuan
Universitas Potensi Utama
DOKUMEN LEVEL NO. DOKUMEN
FORM F/SPMI/03-10-01
SOAL UJIAN
shear_range = 0.2,
zoom_range = 0.2,
horizontal_flip = True)
training_set = train_datagen.flow_from_directory('dataset/training_set',
batch_size = 32,
class_mode = 'binary')
test_set = test_datagen.flow_from_directory('dataset/test_set',
batch_size = 32,
class_mode = 'binary')
classifier.fit_generator(training_set,
steps_per_epoch = 8000,
epochs = 25,
validation_data = test_set,
(Dr. Wanayumini, S. Kom, M. Kom) (Dr. Wanayumini, S.Kom, M.Kom) ( Ratih Puspasari, M.Kom )
Dokumen ini milik Universitas Potensi Utama, Dilarang memperbanyak atau menggunakan informasi didalamnya tanpa persetujuan
Universitas Potensi Utama
DOKUMEN LEVEL NO. DOKUMEN
FORM F/SPMI/03-10-01
SOAL UJIAN
validation_steps = 2000)
import numpy as np
test_image = image.img_to_array(test_image)
result = classifier.predict(test_image)
training_set.class_indices
if result[0][0] == 1:
prediction = 'dog'
else:
prediction = 'cat'
(Dr. Wanayumini, S. Kom, M. Kom) (Dr. Wanayumini, S.Kom, M.Kom) ( Ratih Puspasari, M.Kom )
Dokumen ini milik Universitas Potensi Utama, Dilarang memperbanyak atau menggunakan informasi didalamnya tanpa persetujuan
Universitas Potensi Utama