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.
Description
No description provided
Readme 379 KiB
Languages
Jupyter Notebook 100%