Otniel113 / Jankenpon-CV3

Klasifikasi gambar gunting, batu, kertas menggunakan deep learning Convolutional Neural Network (CNN)

Jankenpon-CV3

Klasifikasi gambar gunting, batu, kertas menggunakan deep learning Convolutional Neural Network (CNN)

Dataset

Dataset didapat dari Drgfreeman di Kaggle https://www.kaggle.com/datasets/drgfreeman/rockpaperscissors dengan banyak data sebagai berikut:

Jenis Gambar	Banyaknya
Batu	726
Gunting	750
Kertas	712

Semua ukuran gambar sama yaitu 300x200 dengan format .png data juga dipisah menjadi data train dan data test dengan perbandingan 80:20.

Ekstraksi Fitur

Gambar dilakukan scaled dengan membagi dengan 255 agar range nilainya 0-1 (dari yang awalnya menggunakan RGB dengan nilai 0-255 masing-masing). Ekstraksi fitur dilakukan sendiri dengan menggunakan konvolusi pada CNN.

Model

Dibangun 3 arsitektur CNN dengan spesifikasi sebagai berikut:

# CNN1
model = Sequential([
    Conv2D(4, (3,3), activation='relu', input_shape=X_train[0].shape),
    MaxPooling2D(2, 2),
    Conv2D(8, (3,3), activation='relu'),
    MaxPooling2D(2,2),
    Flatten(),
    Dense(32, activation='relu'),
    Dense(3, activation='sigmoid')
])

# CNN2
model2 = Sequential([
    Conv2D(16, 3, padding='same', activation='relu', input_shape=X_train[0].shape),
    MaxPooling2D(),
    Conv2D(16, 3, padding='same', activation='relu'),
    MaxPooling2D(),
    Flatten(),
    Dense(16, activation='relu'),
    Dense(3, activation='sigmoid')
])

# CNN3
model3 = Sequential([
    Conv2D(4, (3,3), padding='same', activation='relu', input_shape=X_train[0].shape),
    MaxPooling2D(2,2),
    Conv2D(8, (3,3), padding='same', activation='relu'),
    MaxPooling2D(2,2),
    Conv2D(16, (3,3), padding='same', activation='relu'),
    MaxPooling2D(2,2),
    Flatten(),
    Dense(16, activation='relu'),
    Dense(3, activation='softmax')
])

Dan juga parameter yang lain dapat dilihat sebagai berikut:

Nama parameter	Nilai parameter
Optimizer	Adam
Loss	Categorical Crossentropy
Metrik	Akurasi
Banyak Epoch	10

Hasil dan Perbandingan dengan Sebelumnya

Repository	Model	Akurasi Data Train	Akurasi Data Test
Jankenpon-CV	MLP tanpa ekstraksi fitur	0.642	0.342
Jankenpon-CV2	MLP dengan HOG	0.948	0.965
Jankenpon-CV3	CNN1	0.984	0.933
Jankenpon-CV3	CNN2	0.968	0.938
Jankenpon-CV3	CNN3	0.996	0.970