- Defiency zat besi vitamin B12 asam float (B9) = Anemia

- Defiency vitamin A = kebutaan kematian

- Deficiency Iodium
- Deficiency vitamin c = membantu penyerapan zat besi,
mencegah greeklamsia
- Defiency vitamin D = mendukung pertumbuhan tulang dan
gigi
- Kasium
- Vitamin B6 = Menjaga Kesehatan otak dan sistem saraf

Deep learning
https://medium.com/@hafizhan.aliady/membuat-klasifikasi-
gambar-images-menggunakan-keras-tensorflow-tf-keras-dan-
python-53f7ae953cea

Image classifier ?
- Mempersiapkan dataset
- Membuat pipeline untuk input dataset,
- Membangun model convolutional neural network,
- Membangun arsitektur contoh model CNN
- Meng-compile model
- Model training
- Model save
- Model evaluation
- Create predict function
 2020 tensorflow 2.x sebelumnya keras menjadi tf.keras
dan dalam prosesnya modul tf.keraslebih efisien
dibandingkan dengan sebelumya.

Rekomedasi lainnya bisa menggunakan pytorch

Kalau performa komputasi kurang bisa menggunakan
google code lab atau (colab)

hal yang perlu disiapkan :

- benda atau sesuatu objek yang ingin diklasifikasikan
- computer / PC yang dapat mengakses internet
- google account untuk mengakses colab
- pengetahuan dasar python

library yang digunakan :

- tensorflow >2.2 (tested on tf 2.7)
- numpy
- scikit-learn
- PILLOW untuk image library

 Mempersiapkan data-set
 Mempersiapkam variabel global untuk training
Dibagian ini kita akan menentukan seberapa banyak
jumlah epoch untuk proses training, input dimension,
batch_size, dll
 Mempersiapkan dataset pipeline dan augmentation untuk
proses pembuatan dataset
Dataset pipeline merupakan perintah untuk melakukan
ekstraksi data yang beruba images/citra digital, yang
 berasal dari sebuah folder menjadi sebuah array yang
dapat dibaca oleh tensorflow, fungsi yang digunakan
adalah from tensorflow.keras.preprocessing.image import
imagedatagenerator
 Membuat flow datanya
 Transformasi data generator menjadi tf.data
 Membuat struktur CNN
Mendefinikan base-mode peneitian kita

Nama nama modul tensor flow :

Modules
densenet module: Public API for tf.keras.applications.densenet namespace.

efficientnet module: Public API for tf.keras.applications.efficientnet namespace.

efficientnet_v2 module: Public API for tf.keras.applications.efficientnet_v2 namespace.

imagenet_utils module: Public API for tf.keras.applications.imagenet_utils namespace.

inception_resnet_v2 module: Public API for tf.keras.applications.inception_resnet_v2

namespace.

inception_v3 module: Public API for tf.keras.applications.inception_v3 namespace.

mobilenet module: Public API for tf.keras.applications.mobilenet namespace.

mobilenet_v2 module: Public API for tf.keras.applications.mobilenet_v2 namespace.

mobilenet_v3 module: Public API for tf.keras.applications.mobilenet_v3 namespace.

nasnet module: Public API for tf.keras.applications.nasnet namespace.

resnet module: Public API for tf.keras.applications.resnet namespace.

resnet50 module: Public API for tf.keras.applications.resnet50 namespace.

resnet_v2 module: Public API for tf.keras.applications.resnet_v2 namespace.

vgg16 module: Public API for tf.keras.applications.vgg16 namespace.

vgg19 module: Public API for tf.keras.applications.vgg19 namespace.

xception module: Public API for tf.keras.applications.xception namespace.

Functions
DenseNet121(...): Instantiates the Densenet121 architecture.

DenseNet169(...): Instantiates the Densenet169 architecture.

DenseNet201(...): Instantiates the Densenet201 architecture.

EfficientNetB0(...): Instantiates the EfficientNetB0 architecture.

EfficientNetB1(...): Instantiates the EfficientNetB1 architecture.

EfficientNetB2(...): Instantiates the EfficientNetB2 architecture.

EfficientNetB3(...): Instantiates the EfficientNetB3 architecture.

EfficientNetB4(...): Instantiates the EfficientNetB4 architecture.

EfficientNetB5(...): Instantiates the EfficientNetB5 architecture.

EfficientNetB6(...): Instantiates the EfficientNetB6 architecture.

EfficientNetB7(...): Instantiates the EfficientNetB7 architecture.

EfficientNetV2B0(...): Instantiates the EfficientNetV2B0 architecture.

EfficientNetV2B1(...): Instantiates the EfficientNetV2B1 architecture.

EfficientNetV2B2(...): Instantiates the EfficientNetV2B2 architecture.

EfficientNetV2B3(...): Instantiates the EfficientNetV2B3 architecture.

EfficientNetV2L(...): Instantiates the EfficientNetV2L architecture.

EfficientNetV2M(...): Instantiates the EfficientNetV2M architecture.

EfficientNetV2S(...): Instantiates the EfficientNetV2S architecture.

InceptionResNetV2(...): Instantiates the Inception-ResNet v2 architecture.

InceptionV3(...): Instantiates the Inception v3 architecture.

MobileNet(...): Instantiates the MobileNet architecture.

MobileNetV2(...): Instantiates the MobileNetV2 architecture.

MobileNetV3Large(...): Instantiates the MobileNetV3Large architecture.

MobileNetV3Small(...): Instantiates the MobileNetV3Small architecture.

NASNetLarge(...): Instantiates a NASNet model in ImageNet mode.

NASNetMobile(...): Instantiates a Mobile NASNet model in ImageNet mode.

ResNet101(...): Instantiates the ResNet101 architecture.

ResNet101V2(...): Instantiates the ResNet101V2 architecture.

ResNet152(...): Instantiates the ResNet152 architecture.

ResNet152V2(...): Instantiates the ResNet152V2 architecture.

ResNet50(...): Instantiates the ResNet50 architecture.

ResNet50V2(...): Instantiates the ResNet50V2 architecture.

VGG16(...): Instantiates the VGG16 model.

VGG19(...): Instantiates the VGG19 architecture.

Xception(...): Instantiates the Xception architecture.

 Input_shape = dimensi dari gambar yang akan digunakan

Proses Training Model

Setelah membuat model selanjutnya adalah melakukan proses training,

dimana proses training ini merupakan proses
dimana machine learning bekerja sehingga algoritma yang sudah kita
definisikan dapat mengingat pola dari masing masing kelas pada data yang
kita train. Untuk perintahnya adalah menggunakan perintah berikut.

Dimana:

 X = merupakan data generator yang sudah kita proses sehingga

menjadi tf-data ini merupakan data training.

 Steps per epoch merupakan banyaknya steps / langkah untuk

menyelesaikan 1 epoch, disini 1 steps merupakan 1 batch_size / 1
batch_size adalah 16 citra, seperti yang sudah di definisikan diatas.

 epoch = banyaknya proses iterasi/ pengulangan pada training

 val_data = validation data yang dievaluasi pada setiap epoch

berakhir

 val_steps = sama seperti step per epoch

 shuffle = adalah dimana masing masing batch pada generator diacak

sehingga data tidak akan urut.

 Verbose =menampilkan progress bar dimana 1 karena kita dapat

melihat proses dan hasil dari setiap steps seperti gambar dibawah
nanti.