https://onnocenter.or.id/wiki/index.php?action=history&feed=atom&title=TF%3A_TensorFlow_Prediction 2026-04-17T12:54:17Z Revision history for this page on the wiki MediaWiki 1.35.4 https://onnocenter.or.id/wiki/index.php?title=TF:_TensorFlow_Prediction&diff=71936&oldid=prev 2025-03-11T06:47:12Z

<p></p> <table class="diff diff-contentalign-left diff-editfont-monospace" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="en"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← Older revision</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">Revision as of 06:47, 11 March 2025</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l72" >Line 72:</td> <td colspan="2" class="diff-lineno">Line 72:</td></tr> <tr><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Pastikan untuk menyesuaikan nama file Excel dan struktur data sesuai dengan dataset Anda.</div></td><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Pastikan untuk menyesuaikan nama file Excel dan struktur data sesuai dengan dataset Anda.</div></td></tr> <tr><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Jika Anda bekerja dengan data klasifikasi, sesuaikan lapisan output dan fungsi loss sesuai kebutuhan.</div></td><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>* Jika Anda bekerja dengan data klasifikasi, sesuaikan lapisan output dan fungsi loss sesuai kebutuhan.</div></td></tr> <tr><td colspan="2"> </td><td class='diff-marker'>+</td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;"></ins></div></td></tr> <tr><td colspan="2"> </td><td class='diff-marker'>+</td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;"></ins></div></td></tr> <tr><td colspan="2"> </td><td class='diff-marker'>+</td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">==Pranala Menarik==</ins></div></td></tr> <tr><td colspan="2"> </td><td class='diff-marker'>+</td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;"></ins></div></td></tr> <tr><td colspan="2"> </td><td class='diff-marker'>+</td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins style="font-weight: bold; text-decoration: none;">* [[TensorFlow]]</ins></div></td></tr> </table>

Onnowpurbo https://onnocenter.or.id/wiki/index.php?title=TF:_TensorFlow_Prediction&diff=71935&oldid=prev 2025-03-11T06:10:19Z

<p>Created page with &quot;Untuk melakukan prediksi menggunakan TensorFlow dengan data yang disimpan dalam file Excel di Google Colab, Anda dapat mengikuti langkah-langkah berikut: 1. &#039;&#039;&#039;Mengunggah Fil...&quot;</p> <p><b>New page</b></p><div>Untuk melakukan prediksi menggunakan TensorFlow dengan data yang disimpan dalam file Excel di Google Colab, Anda dapat mengikuti langkah-langkah berikut:<br /> <br /> 1. '''Mengunggah File Excel ke Google Colab:'''<br /> * Gunakan antarmuka Colab untuk mengunggah file Excel Anda.<br /> <br /> 2. '''Memuat Data dari File Excel:'''<br /> * Gunakan pustaka `pandas` dan `openpyxl` untuk membaca data dari file Excel.<br /> <br /> 3. '''Mempersiapkan Data:'''<br /> * Lakukan pra-pemrosesan data sesuai kebutuhan model Anda.<br /> <br /> 4. '''Membangun dan Melatih Model TensorFlow:'''<br /> * Bangun dan latih model menggunakan data yang telah diproses.<br /> <br /> 5. '''Melakukan Prediksi:'''<br /> * Gunakan model yang telah dilatih untuk melakukan prediksi pada data baru.<br /> <br /> Berikut adalah contoh kode lengkap yang mengilustrasikan langkah-langkah di atas:<br /> <br /> # Langkah 1: Mengimpor pustaka yang diperlukan<br /> import pandas as pd<br /> import tensorflow as tf<br /> from sklearn.model_selection import train_test_split<br /> from sklearn.preprocessing import StandardScaler<br /> <br /> # Langkah 2: Mengunggah file Excel ke Google Colab<br /> from google.colab import files<br /> uploaded = files.upload()<br /> <br /> # Langkah 3: Membaca data dari file Excel<br /> # Gantilah 'nama_file.xlsx' dengan nama file Excel Anda<br /> df = pd.read_excel('nama_file.xlsx', engine='openpyxl')<br /> <br /> # Langkah 4: Memeriksa data<br /> print(df.head())<br /> <br /> # Langkah 5: Memisahkan fitur dan label<br /> # Asumsikan kolom terakhir adalah label<br /> X = df.iloc[:, :-1].values<br /> y = df.iloc[:, -1].values<br /> <br /> # Langkah 6: Membagi data menjadi set pelatihan dan pengujian<br /> X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)<br /> <br /> # Langkah 7: Normalisasi fitur<br /> scaler = StandardScaler()<br /> X_train = scaler.fit_transform(X_train)<br /> X_test = scaler.transform(X_test)<br /> <br /> # Langkah 8: Membangun model TensorFlow<br /> model = tf.keras.Sequential([<br /> tf.keras.layers.Dense(64, activation='relu', input_shape=(X_train.shape[1],)),<br /> tf.keras.layers.Dense(32, activation='relu'),<br /> tf.keras.layers.Dense(1) # Untuk regresi; gunakan activation='softmax' untuk klasifikasi multikelas<br /> ])<br /> <br /> # Langkah 9: Kompilasi model<br /> model.compile(optimizer='adam', loss='mean_squared_error') # Gunakan 'sparse_categorical_crossentropy' untuk klasifikasi<br /> <br /> # Langkah 10: Melatih model<br /> model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2)<br /> <br /> # Langkah 11: Evaluasi model<br /> loss = model.evaluate(X_test, y_test)<br /> print(f'Loss pada data uji: {loss}')<br /> <br /> # Langkah 12: Melakukan prediksi<br /> predictions = model.predict(X_test)<br /> print(predictions)<br /> <br /> '''Catatan:'''<br /> * Pastikan untuk menyesuaikan nama file Excel dan struktur data sesuai dengan dataset Anda.<br /> * Jika Anda bekerja dengan data klasifikasi, sesuaikan lapisan output dan fungsi loss sesuai kebutuhan.</div>

Onnowpurbo