Disusun oleh :
Kesimpulan :
Berdasarkan hasil percobaan dari penyelesaian persoalan dalam tugas
pengkodingan dalam soal Uas yang telah kami coba selesaikan, kami menarik
kesimpulan bahwa Pengkodingan ini bertujuan untuk mempelajari hasil x-ray dari
penderita pneumonia, Adapun cara untuk dapat mendeteksi hasil x-ray dari pasien
penderita peneumonia yaitu dengan cara mengklasifikasikan apakah hasil x-ray
yang telah diperoleh tersebut menunjukkan bahwa pasien tersebut menderita
penyakit pneumonia atau tidak, sehingga dapat memudahkan tenaga medis dalam
mendiagnosa penyakit apa yang pasien derita.
Materi :
Program :
No 1
import panda as pd # data processing, CSV file I/O (e.g. pd.read_csv)
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 3
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 4
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 5
Pada codingan diatas terdapat kesalahan karena alamat pengimputan file tidak
sesuai dengan alamat di google Drive dan juga akun Google Drive belum di
mount ke Google Colab. Sehingga alamat file tersebut tidak saling terhubung.
Adapun Langkah penyelesaianya sebagai berikut :
1. buat kodingan untuk mengimport folder google drive ke google colab agar
saling terhubung.
2. Kemudian kita copy alamat path dari Folder chest_xray ke kelink data-
set.
No 6
Pada bagian ini terdapat error yaitu di bagian penulisan add seharusnya
menggunakan perintah append untuk menambahkan list/nilai pada kodingan
tersebut.
Pada bagian ini buat list x_train dan list y_train, lalu lanjutkan membuat list
x_val, y_val, dan kemudian lanjutkan membuat list x_test dan y_test seperti
Langkah-langkah dibawah ini :
Langkah selanjutnya adalah membuat loop train dengan mengetikkan “for feature,
label in train:”, lalu tambahkan feature ke x_train dan label ke y_train. Untuk
membuat loop test ketikkan “for feature, label in test, kemudian dilanjutkan
menambahkan feature ke x_test dan label ke y_test. Sedangkan untuk membuat
loop val ketikkan “for feature, label in val:”, kemudian dilanjutkan dengan
menambahkan feature ke x_val dan label ke y_val.
Sehingga tampilan ahirnya adalah seperti gambar dibawah ini :
No 9
Pada bagian ini kita membuat codingan untuk menormalisasi dataset dengan
melakukan pembagian 255 agar proses dapat berjalan dengan cepat dan lancer
Dan pada bagian peng codingan yang kosong kita tuliskan seperti Langkah-
langkah dibawah ini :
Adapun contoh pengkodingan yang sudah kami perbaiki adalah sebagai berikut :
No 10
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 11
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 13
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 14
history = model.fit(datagen.flow(x_train,y_train, batch_size = 32) ,epochs =
12 , validation_data = datagen.flow(x_val, y_val) ,callbacks =
[learning_rate_reduction])
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 15
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 16
Pada bagian ini terdapat perintah untuk membuat custome model tersendiri,
kemudian kami menemukan solusi dengan cara meng-copy model pada bagian
training the model selanjutnya kamipun mengubah nama model.add menjadi
modelSaya.add dikarenakan dalam perintah tersebut terdapat kata kamu dapat
memilih kodingan yang hilang akan tetapi di rekomendasikan menggunakan
fungsi yang sama seperti fungsi yang ada di atas.
No 17
Adapun data hasil dari Compile program tersebut adalah seperti dibawah ini :
No 19
1. Pada data diatas ketikan perintah “predictions = (model.predict(x_test) >
0.5).astype("int32") untuk Menghasilkan prediksi keluaran.
2. Adapun untuk sampel masukan yaitu array x_test.
3. Lalu ketikkan “predictions = predictions.reshape(1,-1)[0] untuk resize
array predictions sebesar 1,-1 pada indeks 0, kemudian ketikkan
“predictions[:15] untuk akses variabel predictions dari index 0 sampai
indeks 15
No 20
Dari perintah diatas kami membuat laporan Klasifikasi dengan membuat model
sendiri, Adapun model yang telah kami buat adalah seperti di bawah ini, akan
tetapi Ketika kami mencoba untuk membuat y_test maka hasilnya adalah error
sehingga kamipun membuat Klasifikasi model sama seperti pada kodingan
sebelumnya yaitu pada Klasifikasi x_test.
No 21
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya
No 22
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 23
Pada bagian ini pengcodinganya sudah benar maka kami hanya melakukan
eksekusi (Run/Compile) program saja untuk meljutkan ke proses selanjutnya.
No 24
Pada hasil codingan diatas merupakan hasil kodingan yang mengahasilkan
bebrapa jenis prediksi penyakit pneumonia yang benar.
Adapun pada gambar dibawah ini menghasilkan beberapa analisisi kasus prediksi
penyakit pneumonia yang benar yang salah :
Lampiran:
Link Google Colab hasil Running : https://drive.google.com/file/d/1M7OIs-
0AY8DdV4-a5mGxNKE67gPWGgRi/view?
usp=sharing