TF: TensowFlow IRIS Google Colab - Revision history

Onnowpurbo at 00:49, 17 March 2025

2025-03-17T00:49:50Z

Onnowpurbo at 00:49, 17 March 2025

2025-03-17T00:49:38Z

Onnowpurbo: Created page with "Melatih model TensorFlow pada dataset Iris di Google Colab adalah latihan yang efektif untuk memahami proses pembelajaran mesin. Berikut adalah langkah-langkah yang dapat Anda..."

2025-03-11T03:48:16Z

Created page with "Melatih model TensorFlow pada dataset Iris di Google Colab adalah latihan yang efektif untuk memahami proses pembelajaran mesin. Berikut adalah langkah-langkah yang dapat Anda..."

New page

Melatih model TensorFlow pada dataset Iris di Google Colab adalah latihan yang efektif untuk memahami proses pembelajaran mesin. Berikut adalah langkah-langkah yang dapat Anda ikuti:

1. '''Mempersiapkan Lingkungan di Google Colab:'''
* Buka [Google Colab](https://colab.research.google.com/) dan buat notebook baru.
* Pastikan TensorFlow sudah terinstal. Jika belum, Anda dapat menginstalnya dengan perintah berikut:

!pip install tensorflow

2. '''Mengimpor Pustaka yang Diperlukan:'''

import tensorflow as tf
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
import pandas as pd

3. '''Memuat dan Mengeksplorasi Dataset Iris:'''

# Memuat dataset Iris
iris = load_iris()
X = iris.data
y = iris.target

# Mengubah menjadi DataFrame untuk eksplorasi
df = pd.DataFrame(X, columns=iris.feature_names)
df['species'] = y

# Menampilkan 5 baris pertama
print(df.head())

4. '''Pra-pemrosesan Data:'''
* '''Menyandikan Label:'''

# Menyandikan label menjadi bentuk numerik
le = LabelEncoder()
y_encoded = le.fit_transform(y)

* '''Membagi Data menjadi Set Pelatihan dan Pengujian:'''

# Membagi data menjadi set pelatihan dan pengujian
X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42)

* '''Standarisasi Fitur:'''

# Standarisasi fitur
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

5. '''Membangun Model TensorFlow:'''

# Membangun model Sequential
model = tf.keras.Sequential([
tf.keras.layers.Dense(10, activation='relu', input_shape=(X_train.shape[1],)),
tf.keras.layers.Dense(10, activation='relu'),
tf.keras.layers.Dense(3, activation='softmax') # 3 kelas untuk spesies Iris
])

# Kompilasi model
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])

6. '''Melatih Model:'''

# Melatih model
history = model.fit(X_train, y_train, epochs=50, validation_split=0.2)

7. '''Evaluasi Model:'''

# Evaluasi model pada data uji
test_loss, test_accuracy = model.evaluate(X_test, y_test)
print(f'Akurasi pada data uji: {test_accuracy:.2f}')

8. '''Membuat Prediksi:'''

# Membuat prediksi pada data uji
predictions = model.predict(X_test)
predicted_classes = tf.argmax(predictions, axis=1).numpy()

# Menampilkan prediksi untuk 5 sampel pertama
print(predicted_classes[:5])
print(y_test[:5])

9. '''Menyimpan dan Memuat Model:'''
* '''Menyimpan Model:'''

# Menyimpan model
model.save('iris_model.h5')

* '''Memuat Model:'''

# Memuat model
loaded_model = tf.keras.models.load_model('iris_model.h5')

10. '''Menguji Model yang Dimuat:'''

# Evaluasi model yang dimuat
loss, accuracy = loaded_model.evaluate(X_test, y_test)
print(f'Akurasi model yang dimuat: {accuracy:.2f}')

Untuk panduan lebih lanjut, Anda dapat merujuk pada tutorial resmi TensorFlow tentang memulai dengan Keras: https://cloud.google.com/ai-platform/docs/getting-started-keras?hl=id

Dengan mengikuti langkah-langkah di atas, Anda dapat berhasil melatih, mengevaluasi, dan menyimpan model TensorFlow menggunakan dataset Iris di Google Colab.

==Pranala Menarik==

* [[TensorFlow]]

← Older revision		Revision as of 00:49, 17 March 2025
Line 5:		Line 5:
	* Pastikan TensorFlow sudah terinstal. Jika belum, Anda dapat menginstalnya dengan perintah berikut:		* Pastikan TensorFlow sudah terinstal. Jika belum, Anda dapat menginstalnya dengan perintah berikut:

−	!pip install tensorflow	+	!pip install tensorflow

@@ Line 10: / Line 10: @@
 . '''Mengimpor Pustaka yang Diperlukan:'''
-   import tensorflow as tf
+ import tensorflow as tf
-   from sklearn.datasets import load_iris
+ from sklearn.datasets import load_iris
-   from sklearn.model_selection import train_test_split
+ from sklearn.model_selection import train_test_split
-   from sklearn.preprocessing import StandardScaler, LabelEncoder
+ from sklearn.preprocessing import StandardScaler, LabelEncoder
-   import pandas as pd
+ import pandas as pd
 . '''Memuat dan Mengeksplorasi Dataset Iris:'''
-   # Memuat dataset Iris
+ # Memuat dataset Iris
-   iris = load_iris()
+ iris = load_iris()
-   X = iris.data
+ X = iris.data
-   y = iris.target
+ y = iris.target
-−
-   # Mengubah menjadi DataFrame untuk eksplorasi
+ # Mengubah menjadi DataFrame untuk eksplorasi
-   df = pd.DataFrame(X, columns=iris.feature_names)
+ df = pd.DataFrame(X, columns=iris.feature_names)
-   df['species'] = y
+ df['species'] = y
-−
-   # Menampilkan 5 baris pertama
+ # Menampilkan 5 baris pertama
-   print(df.head())
+ print(df.head())
 . '''Pra-pemrosesan Data:'''
 * '''Menyandikan Label:'''
-     # Menyandikan label menjadi bentuk numerik
+ # Menyandikan label menjadi bentuk numerik
-     le = LabelEncoder()
+ le = LabelEncoder()
-     y_encoded = le.fit_transform(y)
+ y_encoded = le.fit_transform(y)
 * '''Membagi Data menjadi Set Pelatihan dan Pengujian:'''
-     # Membagi data menjadi set pelatihan dan pengujian
+ # Membagi data menjadi set pelatihan dan pengujian
-     X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42)
+ X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42)
 * '''Standarisasi Fitur:'''
-     # Standarisasi fitur
+ # Standarisasi fitur
-     scaler = StandardScaler()
+ scaler = StandardScaler()
-     X_train = scaler.fit_transform(X_train)
+ X_train = scaler.fit_transform(X_train)
-     X_test = scaler.transform(X_test)
+ X_test = scaler.transform(X_test)
 . '''Membangun Model TensorFlow:'''
-   # Membangun model Sequential
+ # Membangun model Sequential
-   model = tf.keras.Sequential([
+ model = tf.keras.Sequential([
-       tf.keras.layers.Dense(10, activation='relu', input_shape=(X_train.shape[1],)),
+     tf.keras.layers.Dense(10, activation='relu', input_shape=(X_train.shape[1],)),
-       tf.keras.layers.Dense(10, activation='relu'),
+     tf.keras.layers.Dense(10, activation='relu'),
-       tf.keras.layers.Dense(3, activation='softmax')  # 3 kelas untuk spesies Iris
+     tf.keras.layers.Dense(3, activation='softmax')  # 3 kelas untuk spesies Iris
-   ])
+ ])
-−
-   # Kompilasi model
+ # Kompilasi model
-   model.compile(optimizer='adam',
+ model.compile(optimizer='adam',
-                 loss='sparse_categorical_crossentropy',
+               loss='sparse_categorical_crossentropy',
-                 metrics=['accuracy'])
+               metrics=['accuracy'])
 . '''Melatih Model:'''
-   # Melatih model
+ # Melatih model
-   history = model.fit(X_train, y_train, epochs=50, validation_split=0.2)
+ history = model.fit(X_train, y_train, epochs=50, validation_split=0.2)
 . '''Evaluasi Model:'''
-   # Evaluasi model pada data uji
+ # Evaluasi model pada data uji
-   test_loss, test_accuracy = model.evaluate(X_test, y_test)
+ test_loss, test_accuracy = model.evaluate(X_test, y_test)
-   print(f'Akurasi pada data uji: {test_accuracy:.2f}')
+ print(f'Akurasi pada data uji: {test_accuracy:.2f}')
 . '''Membuat Prediksi:'''
-   # Membuat prediksi pada data uji
+ # Membuat prediksi pada data uji
-   predictions = model.predict(X_test)
+ predictions = model.predict(X_test)
-   predicted_classes = tf.argmax(predictions, axis=1).numpy()
+ predicted_classes = tf.argmax(predictions, axis=1).numpy()
-−
-   # Menampilkan prediksi untuk 5 sampel pertama
+ # Menampilkan prediksi untuk 5 sampel pertama
-   print(predicted_classes[:5])
+ print(predicted_classes[:5])
-   print(y_test[:5])
+ print(y_test[:5])
@@ Line 93: / Line 91: @@
 * '''Menyimpan Model:'''
-     # Menyimpan model
+ # Menyimpan model
-     model.save('iris_model.h5')
+ model.save('iris_model.h5')
 * '''Memuat Model:'''
-     # Memuat model
+ # Memuat model
-     loaded_model = tf.keras.models.load_model('iris_model.h5')
+ loaded_model = tf.keras.models.load_model('iris_model.h5')
 . '''Menguji Model yang Dimuat:'''
-    # Evaluasi model yang dimuat
+ # Evaluasi model yang dimuat
-    loss, accuracy = loaded_model.evaluate(X_test, y_test)
+ loss, accuracy = loaded_model.evaluate(X_test, y_test)
-    print(f'Akurasi model yang dimuat: {accuracy:.2f}')
+ print(f'Akurasi model yang dimuat: {accuracy:.2f}')
 Untuk panduan lebih lanjut, Anda dapat merujuk pada tutorial resmi TensorFlow tentang memulai dengan Keras: https://cloud.google.com/ai-platform/docs/getting-started-keras?hl=id