colabs

import os  # Untuk operasi sistem seperti mengakses direktori
import cv2  # OpenCV untuk pemrosesan gambar
import numpy as np  # Numpy untuk operasi array
import matplotlib.pyplot as plt  # Matplotlib untuk visualisasi
import seaborn as sns  # Seaborn untuk visualisasi grafik yang lebih menarik
from sklearn import svm  # SVM dari Scikit-Learn untuk klasifikasi
from sklearn.metrics import classification_report, accuracy_score, confusion_matrix  # Untuk evaluasi model
from sklearn.model_selection import train_test_split  # Untuk membagi data menjadi set pelatihan dan pengujian
from sklearn.preprocessing import LabelEncoder  # Untuk encoding label

# Fungsi untuk memuat data gambar
def load_data(data_dir):
    labels = []  # Untuk menyimpan label
    images = []  # Untuk menyimpan gambar
    file_counts = {}  # Untuk menyimpan jumlah file yang cocok per label
    for label in os.listdir(data_dir):  # Iterasi melalui setiap folder (A-Z)
        label_dir = os.path.join(data_dir, label)  # Path ke folder label
        if os.path.isdir(label_dir):  # Memastikan bahwa itu adalah direktori
            count = 0  # Menghitung file dalam setiap folder
            for file in os.listdir(label_dir):  # Iterasi melalui setiap file dalam folder
                file_path = os.path.join(label_dir, file)  # Path ke file gambar
                image = cv2.imread(file_path, cv2.IMREAD_COLOR)  # Membaca gambar dalam warna
                if image is not None:  # Memastikan gambar berhasil dimuat
                    image = cv2.resize(image, (128, 128))  # Mengubah ukuran gambar menjadi 128x128 piksel
                    images.append(image)  # Menyimpan gambar
                    labels.append(label)  # Menyimpan label
                    count += 1  # Menambah jumlah file yang cocok
            file_counts[label] = count  # Menyimpan jumlah file yang cocok untuk setiap label
    return np.array(images), np.array(labels), file_counts  # Mengembalikan gambar, label, dan jumlah file

# Fungsi untuk menampilkan gambar asli dan hasil pengolahan citra
def plot_comparison(images, processed_images, labels, num_samples=5):
    unique_labels = np.unique(labels)  # Mendapatkan label unik
    for label in unique_labels:  # Iterasi melalui setiap label unik
        indices = np.where(labels == label)[0][:num_samples]  # Mendapatkan beberapa sampel untuk setiap label
        if len(indices) > 0:
            plt.figure(figsize=(15, 5))  # Ukuran plot
            for i, idx in enumerate(indices):
                # Menampilkan gambar asli
                plt.subplot(2, num_samples, i + 1)
                plt.imshow(cv2.cvtColor(images[idx], cv2.COLOR_BGR2RGB))
                plt.title(f"Original {label}")
                plt.axis('off')

                # Menampilkan gambar hasil pengolahan
                plt.subplot(2, num_samples, i + 1 + num_samples)
                plt.imshow(processed_images[idx], cmap='gray')
                plt.title(f"Processed {label}")
                plt.axis('off')
            plt.show()  # Menampilkan plot

# Fungsi untuk memproses gambar menggunakan GLCM
def process_images_glcm(images):
    processed_images = []  # Untuk menyimpan gambar hasil pengolahan
    features = []  # Untuk menyimpan fitur yang diekstrak
    for image in images:
        gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # Konversi gambar ke skala abu-abu
        glcm = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)).apply(gray_image)  # Menerapkan CLAHE untuk meningkatkan kontras
        processed_images.append(glcm)  # Menyimpan gambar hasil pengolahan
        stats = cv2.calcHist([glcm], [0], None, [256], [0, 256])  # Menghitung histogram dari gambar hasil pengolahan
        features.append(stats.flatten())  # Menyimpan fitur yang diekstrak
    return np.array(processed_images), np.array(features)  # Mengembalikan gambar hasil pengolahan dan fitur

# Memuat data
data_dir = '/content/drive/My Drive/SIBI_data'  # Ubah ini sesuai dengan direktori data Anda
images, labels, file_counts = load_data(data_dir)  # Memuat gambar, label, dan jumlah file yang cocok

# Memproses gambar menggunakan GLCM
processed_images, features = process_images_glcm(images)  # Memproses gambar dan mengekstrak fitur

# Encode label
le = LabelEncoder()  # Inisialisasi encoder
encoded_labels = le.fit_transform(labels)  # Encode label menjadi numerik

# Membagi data
X_train, X_test, y_train, y_test = train_test_split(features, encoded_labels, test_size=0.2, random_state=42)  # Membagi data

# Melatih model SVM
clf = svm.SVC(kernel='linear')  # Inisialisasi model SVM dengan kernel linear
clf.fit(X_train, y_train)  # Melatih model

# Memprediksi
y_pred = clf.predict(X_test)  # Memprediksi data uji

# Mencetak Classification Report
print("Classification Report:")
print(classification_report(y_test, y_pred, target_names=le.classes_, zero_division=0))  # Mencetak laporan klasifikasi

# Mencetak Akurasi
print("Akurasi:", accuracy_score(y_test, y_pred))  # Mencetak akurasi model

# Mencetak jumlah file yang cocok untuk setiap folder
print("Jumlah file/data yang cocok untuk setiap folder:")
for label, count in file_counts.items():  # Iterasi melalui setiap label dan jumlah file yang cocok
    print(f"{label}: {count} file")  # Mencetak label dan jumlah file yang cocok

# Menampilkan Confusion Matrix
def plot_confusion_matrix(y_true, y_pred):
    cm = confusion_matrix(y_true, y_pred)  # Membuat confusion matrix
    plt.figure(figsize=(10, 7))  # Ukuran plot
    sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=le.classes_, yticklabels=le.classes_)  # Membuat heatmap
    plt.xlabel('Predicted')  # Label sumbu x
    plt.ylabel('Actual')  # Label sumbu y
    plt.title('Confusion Matrix')  # Judul plot
    plt.show()  # Menampilkan plot

plot_confusion_matrix(y_test, y_pred)  # Menampilkan confusion matrix

# Menampilkan beberapa gambar asli dan hasil pengolahan citra
plot_comparison(images, processed_images, labels, num_samples=5)  # Menampilkan perbandingan gambar asli dan hasil pengolahan

# Menghitung akurasi per folder
folder_accuracies = {}
for label in np.unique(y_test):
    indices = np.where(y_test == label)
    folder_accuracy = accuracy_score(y_test[indices], y_pred[indices])
    folder_accuracies[le.inverse_transform([label])[0]] = folder_accuracy


# Menampilkan akurasi per folder dalam bentuk grafik
plt.figure(figsize=(10, 6))
plt.bar(folder_accuracies.keys(), folder_accuracies.values())
plt.xlabel('Folder')
plt.ylabel('Akurasi')
plt.title('Akurasi per Folder')
plt.xticks(rotation=90)
plt.show()

# Menampilkan akurasi keseluruhan
overall_accuracy = accuracy_score(y_test, y_pred)
print("Akurasi Keseluruhan:", overall_accuracy)