From e4fd0d47738adb502fc9d0432c5aa175643be472 Mon Sep 17 00:00:00 2001 From: Faris Nur Hakim Date: Sat, 7 Nov 2026 13:18:01 +0700 Subject: [PATCH] first commit --- README.md | 43 +++++++++++++++++++++++++++++++++++++++++++ 1 file changed, 43 insertions(+) create mode 100644 README.md diff --git a/README.md b/README.md new file mode 100644 index 0000000..a5d67be --- /dev/null +++ b/README.md @@ -0,0 +1,43 @@ +# Petunjuk Menjalankan Notebook Proof of Concept (PoC) +**Proyek PjBL Tahap I: Pengembangan Learning Agent untuk Identifikasi dan Klasifikasi Jenis Batuan pada Eksplorasi Pertambangan Berbasis CNN** + +--- + +### Identitas Kelompok (Kelompok 1 - Kelas F5B2) +1. **Aditya Saputra** (NIM: 202410715057) +2. **Azis Andriansyah** (NIM: 202410715077) +3. **Faris Nur Hakim** (NIM: 202410715142) + +--- + +## PENTING: Pengaturan Akselerasi Perangkat Keras (T4 GPU) + +Sebelum mengeksekusi kode program di Google Colab, **wajib mengaktifkan akselerator GPU** agar proses pelatihan model tidak memakan waktu lama. + +### Langkah Mengaktifkan GPU: +1. Klik menu **Runtime** pada bilah menu bagian atas Google Colab. +2. Pilih opsi **Change runtime type** (*Ubah jenis runtime*). +3. Pada bagian **Hardware accelerator** (*Akselerator perangkat keras*), pilih **T4 GPU**. +4. Klik **Save** (*Simpan*). + +> **Catatan Perbandingan Kecepatan Komputasi:** +> * **Menggunakan CPU bawaan:** Kecepatan pelatihan lambat $\pm$ `6s/step` (memerlukan waktu $\pm$ 11 menit per *epoch*)[cite: 316]. +> * **Menggunakan T4 GPU:** Kecepatan komputasi meningkat drastis menjadi `56ms - 126ms/step` (hanya membutuhkan $\pm$ 7 - 13 detik per *epoch*). + +--- + +## Urutan Eksekusi Sel Notebook + +Eksekusi sel kode secara berurutan dari atas ke bawah (*Run All* atau jalankan sel per sel): + +1. **Sel Setup & Verifikasi GPU:** Memasang pustaka `kagglehub` dan memverifikasi ketersediaan akselerasi perangkat keras GPU. +2. **Sel Unduh Dataset:** Mengunduh dan mendeteksi path direktori citra batuan secara otomatis dari repositori Kaggle (`stealthtechnologies/rock-classification`). +3. **Sel Pipeline Data:** Memuat dan membagi dataset ke dalam subset *Train* (80%) dan *Validation* (20%) serta mengaktifkan optimasi memori `cache()` dan `prefetch()`. +4. **Sel Konstruksi Model:** Membangun lapisan augmentasi dan arsitektur CNN berbasis *Transfer Learning* (MobileNetV2)[cite: 10]. +5. **Sel Pelatihan Model:** Melatih model dengan pengawasan callback `EarlyStopping` (patience=4) yang akan berhenti otomatis saat mencapai konvergensi optimal. +6. **Sel Evaluasi & Inferensi Agen:** Menampilkan kurva akurasi/loss serta mendemonstrasikan pengujian inferensi pada sampel citra batuan untuk memvalidasi *Confidence Score* dan teks rekomendasi uji laboratorium lanjutan (XRF/XRD). + +--- + +## Berkas Luaran yang Dihasilkan +* `model_learning_agent_rock.keras`: Berkas biner model CNN terlatih yang siap digunakan pada backend aplikasi web (*Flask*) pada implementasi Tahap II. \ No newline at end of file