Praktikum 3

SIstem Cerdas
“ Image Segmentasi dengan CNN “

Sejauh ini Anda telah melihat klasifikasi citra, di mana tugas jaringan adalah
menetapkan label atau kelas ke citra masukan. Namun, misalkan Anda ingin
mengetahui di mana lokasi objek dalam gambar, bentuk objek, piksel mana yang
termasuk objek mana, dll. Dalam hal ini Anda ingin mengelompokkan gambar, yaitu
setiap piksel gambar tersebut diberi label. Dengan demikian, tugas segmentasi citra
adalah melatih jaringan saraf untuk menghasilkan mask dari citra piksel. Ini
membantu dalam memahami gambar pada level yang jauh lebih rendah, yaitu level
piksel. Segmentasi gambar memiliki banyak aplikasi dalam pencitraan medis, mobil
tanpa pengemudi, dan pencitraan satelit, dan masih banyak lagi.
Dataset yang akan digunakan untuk tutorial ini adalah Oxford-IIIT Pet Dataset , yang
dibuat oleh Parkhi et al . Dataset terdiri dari gambar, labelnya yang sesuai, dan mask
berdasarkan piksel. Topeng pada dasarnya adalah label untuk setiap piksel. Setiap
piksel diberikan salah satu dari tiga kategori:

• Kelas 1: Piksel milik hewan peliharaan.

• Kelas 2: Piksel yang berbatasan dengan hewan peliharaan.
• Kelas 3: Tidak ada piksel di atas / Sekitar.

Segmentasi Gambar

Langkah-langkahnya sebagai berikut:

Langkah 1. yang perlu dilakukan adalah meng import libary yang dibutuhkan, dijalankan satu persatu :

Langkah 2. SIlahkan Download Dataset yang sudah tersedia di Oxpord-IIIT Pet Dataset:

Langkah 3. Dataset yang sudah ada, selanjutnya akan dilakukan image mask:
Langkah 4. Dataset yang sudah ada akan di training dalam segmentasi mask dengan fungsi dari
tensorflow:

Langkah 5. Dataset yang sudah ada akan di lakukan testing dalam segmentasi mask dengan fungsi dari
tensorflow:

Langkah 6. Selanjutnya dataset akan di Split untuk ukuran size nya, Jalankan langkah satu persatu
Langkah 6. Selanjutnya akan menampilkan dataset dari input , mask dan prediksinya

Akan muncul ouput seperti dibawah ini:

Langkah 7. Selanjutnya Membuat Model dengan MobileNetV2, codenya silahkan dijalankan satu
persatu
Langkah 7. Training Model

Langkah 8. Menampilkan Arsitektur Training Model

Langkah 9. Mencoba menampilkan hasil Training Model Prediksinya

Untuk outpunya nanti akan muncul seperti dibawah ini:

Langkah 10. Mencoba kembali hasil sampel menggunakan epoch : 10

Sehingga hasil yang didapatkan dari contoh sempel prediksi dapat dilihat pada gambar dibawah ini:

Selanjutnya kita ingin mengetahui validasi lossnya :

Maka hasil Training dan validasi lossnya bisa dilihat pada gambar berikut:

Kalau kita coba menggunkan 3 gambar yang berbeda kita bisa tampilkan pada code berikut:
TUGAS PRAKTIKUM

1. Silahkan dibuat dengan Gambar masing-masing

2. Dikumpulkan dengan Format PDF.

Buatlah laporan praktikum dengan baik dan rapi, kumpulkan hasil praktikum paling
lambat 1 minggu setelah praktikum ini.