Proyek submission klasifikasi gambar (6 kelas) menggunakan Convolutional Neural Network (CNN). Dua model dibandingkan: cnn1 (CNN sederhana dari nol) dan cnn2 (transfer learning MobileNetV2). Keduanya dilatih di Google Colab, diekspor ke SavedModel dan TFLite, lalu dikonversi ke TensorFlow.js di lingkungan lokal (Windows) agar dapat dijalankan langsung di browser.
Tujuan:
- Membangun dan melatih model klasifikasi gambar 6 kelas dengan
tf.keras. - Membandingkan performa CNN sederhana dengan transfer learning MobileNetV2.
- Mengekspor model ke SavedModel, TFLite, dan TensorFlow.js.
- Menguji kedua model secara langsung di browser melalui halaman web sederhana.
submission/
โโโ exported_model/
โ โโโ cnn1/
โ โ โโโ saved_model/ # SavedModel (saved_model.pb, variables, assets)
โ โ โโโ tflite/ # model.tflite dan label.txt
โ โ โโโ tfjs_model_graph/ # model.json dan berkas group1-shard*.bin
โ โโโ cnn2/ # struktur sama dengan cnn1
โโโ lampiran/ # Tangkapan layar halaman uji
โโโ web/
โ โโโ index.html # Halaman uji di browser
โโโ README.md
โโโ img_classification_CNN_colabv1.ipynb
โโโ img_classification_cnn_colabv1.py
โโโ requirements.txt # Environment Google Colab
โโโ tfjs.txt # Environment lokal (konversi TFJS)
| Model | Arsitektur | Akurasi train | Akurasi val | Akurasi test |
|---|---|---|---|---|
cnn1 |
CNN sederhana dengan tf.keras (Sequential, tanpa bobot pretrained): Rescaling (1/255) โ 3 blok Conv2D 3x3 + MaxPooling (32, 64, 128 filter, ReLU) โ Flatten โ Dense 64 (ReLU) โ Dense 6 (softmax) |
82,13% | 81,00% | 81,70% |
cnn2 |
Transfer learning: Rescaling (1/127.5, offset -1) โ MobileNetV2 (bobot ImageNet) โ Conv2D 256 (3x3, ReLU) โ MaxPooling โ Global Average Pooling โ Dropout 0.4 โ Dense 6 (softmax) |
93,4% | 91,7% | 91,57% |
Model terbaik: cnn2 (MobileNetV2 + fine-tuning) dengan akurasi test 91,57%.
| Environment | Kegunaan | Berkas |
|---|---|---|
| Google Colab | Pelatihan, ekspor SavedModel dan TFLite | requirements.txt |
| Lokal, Windows | Konversi ke TensorFlow.js | tfjs.txt |
- Jalankan
img_classification_CNN_colabv1.ipynbdi Google Colab (runtime T4 GPU) โ menghasilkan SavedModel dan TFLite.- Ekspor Savedodel dengan
model.export(). - Konversi TFLite dari SavedModel dengan
tf.lite.TFLiteConverter.
- Ekspor Savedodel dengan
- Unduh folder
exported_model/ke komputer lokal. - Konversi ke TFJS dengan dari SavedModel di lingkungan lokal Windows (virtual environment Conda terpisah).
- Jalankan halaman uji di browser.
Pelatihan dilakukan melalui img_classification_CNN_colabv1.ipynb. Setelah selesai, model diekspor ke format SavedModel dan TFLite.
| Model | Tahap | Optimizer | Epoch Maksimum | Catatan |
|---|---|---|---|---|
cnn1 |
Pelatihan penuh | Adam (bawaan) | 20 | EarlyStopping (patience 3) |
cnn2 |
1. Ekstraksi fitur | Adam 1e-3 | 25 | MobileNetV2 dibekukan, EarlyStopping (patience 4) |
cnn2 |
2. Fine-tuning | Adam 1e-5 | 20 (tambahan) | 40 layer terakhir MobileNetV2 dilatih (layer BatchNorm tetap beku), EarlyStopping (patience 5) dan ReduceLROnPlateau (faktor 0.3, patience 2) |
Kode ekspor model:
# 1. SavedModel
for nama, model in models.items():
model.export(f"{base}/{nama}/saved_model")
print(nama, "-> saved_model selesai")
# 2. TFLite (dari SavedModel)
for nama in models:
converter = tf.lite.TFLiteConverter.from_saved_model(f"{base}/{nama}/saved_model")
with open(f"{base}/{nama}/tflite/model.tflite", "wb") as f:
f.write(converter.convert())
print(nama, "-> tflite selesai")๐ Folder
tflite/harus sudah ada sebelum kode di atas dijalankan (misalnya denganos.makedirs(..., exist_ok=True)).
Konversi TFJS dilakukan secara lokal karena pustaka tensorflowjs tidak kompatibel dengan versi paket di Colab (TensorFlow 2.21, Keras 3, NumPy 2). Detail versi ada di requirements.txt dan tfjs.txt. Agar tidak bentrok dengan TensorFlow dan Python yang sudah terpasang, konversi dijalankan di virtual environment Conda terpisah.
-
Buka terminal command prompt (cmd) di VSCode
conda create -n tfjs python=3.10
-
Aktifkan virtual environment
tfjsconda activate tfjs
-
Upgrade pip
python -m pip install --upgrade pip
-
Install beberapa dependsi. Lebih lanjut lihat tfjs.txt
pip install tensorflow==2.15.0 tf-keras==2.15.0 tensorflow-hub==0.16.1 "numpy<2" "protobuf<5" "setuptools<70" h5py six packaging importlib_resources pip install --no-deps tensorflowjs tensorflow_decision_forests ydf
Instalasi tensorflowjs dengan --no-deps memasang versi 4.22.0.
tensorflowjs_converter 4.22.0 mengimpor tensorflow_decision_forests dan jax saat dijalankan, padahal keduanya tidak dibutuhkan untuk model CNN. Di Windows, tensorflow_decision_forests tidak memiliki pustaka inference.so, sehingga konverter gagal diimpor.
Solusi: beri tanda komentar (#) pada dua baris impor di folder site-packages/tensorflowjs/converters/ pada environment tfjs:
tf_saved_model_conversion_v2.py: barisimport tensorflow_decision_forests__init__.py: barisfrom tensorflowjs.converters.jax_conversion import convert_jax
โ ๏ธ Perubahan ini hilang jikatensorflowjsdipasang ulang atau diperbarui. Alternatif tanpa modifikasi adalah menjalankan konversi di WSL2 (Ubuntu).
Pastikan environment tfjs aktif, lalu jalankan perintah berikut di terminal dari folder submission/:
tensorflowjs_converter --input_format=tf_saved_model --output_format=tfjs_graph_model --saved_model_tags=serve exported_model/cnn1/saved_model exported_model/cnn1/tfjs_model_graph
tensorflowjs_converter --input_format=tf_saved_model --output_format=tfjs_graph_model --saved_model_tags=serve exported_model/cnn2/saved_model exported_model/cnn2/tfjs_model_graphatau jalankan di code cell akhir notebook.
Referensi: Import SavedModel ke TensorFlow.js
Gunakan halaman uji web/index.html:
-
Buka terminal di folder
submission/, lalu jalankan server lokal:python -m http.server 8000
-
Buka
http://localhost:8000/web/index.htmldi browser. -
Pilih satu gambar.
-
Halaman menampilkan hasil prediksi
cnn1dancnn2secara berdampingan.
๐ Koneksi internet diperlukan saat halaman pertama kali dimuat untuk mengunduh TensorFlow.js dari CDN.
- Transfer learning jauh lebih unggul.
cnn2mengunggulicnn1sekitar 9,9 poin persentase pada data uji (91,57% vs 81,70%). - Kedua model tidak menunjukkan overfitting berarti. Selisih akurasi train dan val hanya sekitar 1,1 poin (
cnn1) dan 1,7 poin (cnn2), dan akurasi test sejalan dengan akurasi val. - Fine-tuning dua tahap efektif. Ekstraksi fitur dengan MobileNetV2 beku, dilanjutkan fine-tuning 40 layer terakhir dengan learning rate kecil (1e-5), menghasilkan model yang stabil.
- Ketiga format ekspor tersedia. SavedModel, TFLite, dan TFJS siap dipakai untuk server, mobile, dan web.
- Konversi TFJS di Windows bergantung pada modifikasi manual paket
tensorflowjsyang hilang saat dipasang ulang. - Halaman uji membutuhkan koneksi internet untuk memuat TensorFlow.js dari CDN.
- Evaluasi hanya memakai akurasi; metrik per kelas (precision, recall, F1) dan confusion matrix belum dilaporkan.
- Halaman uji dijalankan lewat server lokal sederhana (
http.server), bukan untuk penggunaan produksi.

