43 lines
2.4 KiB
Markdown
43 lines
2.4 KiB
Markdown
# 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. |