Aplikasi Software Orange untuk data science

1. Binary Image Classification
menggunakan Orange
Setiawan Hadi

2. Background
• Binary Image Classification adalah llasifikasi citra digital dengan banyaknya
kelas adalah 2
• Dalam kasus ini kita akan membuat data Training dan data Testing
• Data Training
• Gambar kucing yang disimpan pada folder cat
• Gambar bukan kucing yang disimpan dalam folder noncat
• Data Testing
• Gambar kucing yang berbeda dengan data training, disimpan pada folder cat
• Gambar bukan kucing yang berbeda dengan data training, disimpan dalam folder
noncat
• Akan dilakukan testing apakah model yang dibuat berhasil atau tidak

3. Binary Image Classification dengan Orange
• Apa yang akan kita lakukan
• Penyiapan Data Gambar
• Visualisasi Data
• Image Embedding
• Cross Validation
• Test & Score
• Logistic Regression
• Penjelasan Hasil Cross Validation
• Confusion Matrix dan Visualisasinya

4. Persiapan Data
• Data bisa didownload pada link ini.
• https://www.kaggle.com/datasets/prasunroy/natural-images
• File Size ~359MB (26 Mei 2022)
• Dataset “natural images”
• Terdiri dari airplane (727), car (968), cat (885), dog (702), flower (843), fruit
(1000), motorbike (788), person (976)

5. Setup Folder
• Struktur Hirarkhi Folder
• natural_images
• airplane
• car
• cat
• dog
• flower
• fruit
• motorbike
• person
• training
• cat
• not_cat
• testing
• Folder trainingcat
• pilih 100 gambar cat dari folder natural_imagescat
• Folder trainingnot_cat
• Pilih masing-masing 10 gambar dari folder
• natural_imagesdog
• natural_imagesflower
• natural_imagesfruit
• natural_imagesmotorbike
• Folder testing (unlabel)
• Pilih pilih 10 gambar cat berbeda dari folder
natural_imagescat
• Pilih pilih 10 gambar dari folder natural_imagescar
• Pilih pilih 5 gambardog berbeda dari folder
natural_imagesdog
• Pilih pilih 5 gambar friut berbeda dari folder
natural_imagesfruit

6. Visualisasi Data Training
• Ambil widget Import Images, rename Import Images menjadi
training, set folder ke lokasi data (“training”)
• Jika ingin melihat data, ambil widget View Images, sambungkan dengan
Training

7. Proses Training
• Ambil widget Image Embedding, koneksikan dengan Training
• Pastikan Inception v3 sebagai image embedder
• Jika ingin melihat hasil Image Embedding, ambil widget Data Table,
koneksikan dengan Image Embedding
• Ambil widget Distances, koneksikan dengan Image Embedding
• Ambil widget Hierarchical Clustering, koneksikan dengan Distances
• Ambil widget Test and Score, dua learner : Logistic Regression, dan
Naïve Bayes; koneksikan kedua learner dengan Test and Score
• Koneksikan Image Embedding dengan Test and Score
• Pelajari hasil Test and Score dengan meng-klik widget tersebut
• Ambil widget Confusion Matrix, koneksikan dengan Test and Score
• Pelajari hasil Confusion Matrix dengan meng-klik widget tersebut

8. Melihat Hasil Test and Score
• Ingat kembali pada
slide sebelumnya
tentang penjelasan
Test and Score

9. Melihat Hasil Confusion Matrix
• Hasil Logistic Regression
• Hasil Naïve Bayes

10. Mengecek Hasil Confusion Matrix
• Koneksikan Image Viewer dengan Confusion Matrix
• Mengecek hasil Naïve Bayes yang bermasalah (ada kesalahan)
• Ada 5 gambar cat yang terdeteksi sebagai notcat

11. Visualisasi Data Testing
• Ambil widget Import Images, rename Import Images menjadi testing,
set folder ke lokasi data (“testing”)

12. Proses Testing
• Ambil widget Image Embedding (1), koneksikan dengan Testing
• Ambil Logistic Regression (1)
• Ambil Predictions, koneksikan Logistic Regression (1) dengan
Predictions
• Koneksikan Image Embedding dengan Logistic Regression (1)
• Koneksikan Image Embedding (1) dengan Predictions
• Lihat hasil Klasifikasi dengan mengklik widget Predictions

13. Hasil Testing
• Akurat 100%

14. Layout Sistem