Teams

Matthew T.P.

Siregar

1906308500

Ferdi Fadillah

1906351083

Adam Syauqi Medise

1906292881

Hendrico Kristiawan

1906350912

Outline

1. Pendahuluan
2. Studi Literatur
3. Metodologi
4. Hasil & Analisis
5. Penutup

Pendahuluan

Perumusan Masalah

Sudah menjadi sifat alami manusia untuk mengidentifikasi serta mengklasifikasikan benda berdasarkan similaritas bentuk, warna, serta fitur-fitur lainnya. Image classification merupakan klasifikasi jenis benda seperti yang manusia lakukan. Pada presentasi kali ini, kami akan melakukan image classification jenis-jenis ras kucing dan ras anjing pada dataset Oxford-IIIT Pet Dataset dengan dua pendekatan berbeda. Yaitu, pendekatan konvensional dan deep learning.

​

Tujuan Penelitian

Tujuan penelitian yaitu :

1. Melakukan image classification menggunakan metode konvensional
2. Melakukan image classification menggunakan metode deep learning
3. Komparasi hasil image classification dengan metode konvensional dan metode deep learning

Studi Literatur

SVM Architecture

Ensemble EfficientNet

Ensemble Learning

​

A machine learning approach is used to increase accuracy by combining the results from multiple models.

EfficientNet

​

"A CNN architecture that uses compound scaling to increase accuracy with less computation to speed up the process."

Ensemble EfficientNet Architecture

Metodologi

Dataset

37 Pet Classes

25 Dog Classes

12 Cat Classes

Each class has 200 images

Dataset (Konvensional)

*Note :

Dikarenakan limitasi pada resource untuk GridSearchCV dan metode konvensional kurang powerful untuk kelas yg banyak sekali,

metode konvensional hanya mengidentifikasi 15 label saja.

15 Pet Classes

Train 80%

Test 10%

Uses

GridSearchCV

in training

SVM (Support Vector Machine) Classifier: Model

Cocok utk dataset dmn Dimensi > Sampel

Lama dibanding metode konvensional lain

Gaussian Naive Bayes

Dataset (Deep Learning)

37 Pet Classes

Train 80%

Validation 10%

Test 10%

Ensemble EfficientNet: Model

Hasil & Analisis

Konvensional

SVM (Support Vector Machine) Classifier: Metrics

Time Cost: 0:02:40.667949

SVM (Support Vector Machine) Classifier: Metrics (detail)

Gaussian Naive Bayes: Metrics

Time Cost: 0:00:01.594379

Gaussian Naive Bayes: Metrics

Hasil Konvensional Gaussian

Deep Learning

Ensemble EfficientNet: Metric (Accuracy)

Ensemble EfficientNet: Metric (Time)

30 epoch = 254 minutes 13 seconds

250 epoch ≈ 2118.5 minutes

≈ 35.3 hours!!

Penutup

Kesimpulan

Pada penelitian, terdapat 3 metode :

1. Konvensional
1. Support Vector Machine
2. Gaussian Naive Bayes
2. Deep Learning
• Ensemble Efficient Net

​

Masing-masing metode memiliki kelebihan :

1. Konvensional
2. lebih cepat, namun kurang akurat
2. Deep Learning
• lebih akurat, namun lebih lama

​

​

Saran & Refleksi

Saran :

1. Mencoba arsitektur lainnya
2. Menambahkan epoch pada metode deep learning
3. Menggunakan feature extraction sebelum dimasukkan ke conventional model

Refleksi :

1. Kami belajar bahwa seharusnya kami juga mencoba melakukan training pada komputer lokal dan tidak terlalu mengandalkan Google Colab.
2. Kami belajar bahwa menggunakan checkpoint untuk menyimpan model saat training adalah ide yang bagus.

Terima Kasih