TF: TensorFlow Prediction

Untuk melakukan prediksi menggunakan TensorFlow dengan data yang disimpan dalam file Excel di Google Colab, Anda dapat mengikuti langkah-langkah berikut:

1. Mengunggah File Excel ke Google Colab:

• Gunakan antarmuka Colab untuk mengunggah file Excel Anda.

2. Memuat Data dari File Excel:

• Gunakan pustaka `pandas` dan `openpyxl` untuk membaca data dari file Excel.

3. Mempersiapkan Data:

• Lakukan pra-pemrosesan data sesuai kebutuhan model Anda.

4. Membangun dan Melatih Model TensorFlow:

• Bangun dan latih model menggunakan data yang telah diproses.

5. Melakukan Prediksi:

• Gunakan model yang telah dilatih untuk melakukan prediksi pada data baru.

Berikut adalah contoh kode lengkap yang mengilustrasikan langkah-langkah di atas:

# Langkah 1: Mengimpor pustaka yang diperlukan
import pandas as pd
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# Langkah 2: Mengunggah file Excel ke Google Colab
from google.colab import files
uploaded = files.upload()

# Langkah 3: Membaca data dari file Excel
# Gantilah 'nama_file.xlsx' dengan nama file Excel Anda
df = pd.read_excel('nama_file.xlsx', engine='openpyxl')

# Langkah 4: Memeriksa data
print(df.head())

# Langkah 5: Memisahkan fitur dan label
# Asumsikan kolom terakhir adalah label
X = df.iloc[:, :-1].values
y = df.iloc[:, -1].values

# Langkah 6: Membagi data menjadi set pelatihan dan pengujian
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Langkah 7: Normalisasi fitur
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# Langkah 8: Membangun model TensorFlow
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    tf.keras.layers.Dense(32, activation='relu'),
    tf.keras.layers.Dense(1)  # Untuk regresi; gunakan activation='softmax' untuk klasifikasi multikelas
])

# Langkah 9: Kompilasi model
model.compile(optimizer='adam', loss='mean_squared_error')  # Gunakan 'sparse_categorical_crossentropy' untuk klasifikasi

# Langkah 10: Melatih model
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2)

# Langkah 11: Evaluasi model
loss = model.evaluate(X_test, y_test)
print(f'Loss pada data uji: {loss}')

# Langkah 12: Melakukan prediksi
predictions = model.predict(X_test)
print(predictions)

Catatan:

• Pastikan untuk menyesuaikan nama file Excel dan struktur data sesuai dengan dataset Anda.
• Jika Anda bekerja dengan data klasifikasi, sesuaikan lapisan output dan fungsi loss sesuai kebutuhan.