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
- 🔗 Google Colab: Buka Notebook di Google Colab
- 📊 Dataset Kaggle: Rock Classification Dataset
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:
- Klik menu Runtime pada bilah menu bagian atas Google Colab.
- Pilih opsi Change runtime type (Ubah jenis runtime).
- Pada bagian Hardware accelerator (Akselerator perangkat keras), pilih T4 GPU.
- Klik Save (Simpan).
Catatan Perbandingan Kecepatan Komputasi:
- Menggunakan CPU bawaan: Kecepatan pelatihan lambat
\pm6s/step(memerlukan waktu\pm11 menit per epoch)[cite: 316].- Menggunakan T4 GPU: Kecepatan komputasi meningkat drastis menjadi
56ms - 126ms/step(hanya membutuhkan\pm7 - 13 detik per epoch).
Urutan Eksekusi Sel Notebook
Eksekusi sel kode secara berurutan dari atas ke bawah (Run All atau jalankan sel per sel):
- Sel Setup & Verifikasi GPU: Memasang pustaka
kagglehubdan memverifikasi ketersediaan akselerasi perangkat keras GPU. - Sel Unduh Dataset: Mengunduh dan mendeteksi path direktori citra batuan secara otomatis dari repositori Kaggle (stealthtechnologies/rock-classification).
- Sel Pipeline Data: Memuat dan membagi dataset ke dalam subset Train (80%) dan Validation (20%) serta mengaktifkan optimasi memori
cache()danprefetch(). - Sel Konstruksi Model: Membangun lapisan augmentasi dan arsitektur CNN berbasis Transfer Learning (MobileNetV2)[cite: 10].
- Sel Pelatihan Model: Melatih model dengan pengawasan callback
EarlyStopping(patience=4) yang akan berhenti otomatis saat mencapai konvergensi optimal. - 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.
Description
Languages
Jupyter Notebook
100%