# Petunjuk Menjalankan Notebook Proof of Concept (PoC) **Proyek Tahap I: Pengembangan Learning Agent untuk Identifikasi dan Klasifikasi Jenis Batuan pada Eksplorasi Pertambangan Berbasis CNN** --- ### Identitas Kelompok (Kelompok 1 - Kelas F5B2) | No | Nama Anggota | NPM | |:--:|:---|:---:| | 1 | Aditya Saputra | 202410715057 | | 2 | Azis Andriansyah | 202410715077 | | 3 | Faris Nur Hakim | 202410715142 | --- ### Tautan Penting [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/drive/1r9N9GwsLMbDGeKXgThCJvK6XKRNNy_mM?usp=sharing) * 🔗 **Google Colab:** [Buka Notebook di Google Colab](https://colab.research.google.com/drive/1r9N9GwsLMbDGeKXgThCJvK6XKRNNy_mM?usp=sharing) * 📊 **Dataset Kaggle:** [Rock Classification Dataset](https://www.kaggle.com/datasets/stealthtechnologies/rock-classification?select=Rock+Data) --- ## 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](https://www.kaggle.com/datasets/stealthtechnologies/rock-classification?select=Rock+Data)). 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.