CNN

>>>>>>>>>>>>>>>>>>>>>>>>>>>> PERTAMA
# Install library yang diperlukan
!pip install tensorflow opencv-python

# Import library yang diperlukan
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
import cv2
import numpy as np
import os
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer
from matplotlib import pyplot as plt
from google.colab import drive

# Mount Google Drive
drive.mount('/content/drive')

# Fungsi untuk memuat gambar dan label dari Google Drive
def load_data(data_dir):
    images = []
    labels = []
    for label in os.listdir(data_dir):
        class_dir = os.path.join(data_dir, label)
        if os.path.isdir(class_dir):  # Memeriksa apakah ini direktori
            for img_name in os.listdir(class_dir):
                img_path = os.path.join(class_dir, img_name)
                image = cv2.imread(img_path)  # Membaca gambar
                image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # Mengonversi BGR ke RGB
                image = cv2.resize(image, (64, 64))  # Mengubah ukuran gambar menjadi 64x64 piksel
                images.append(image)  # Menambahkan gambar ke daftar
                labels.append(label)  # Menambahkan label ke daftar
    return np.array(images), np.array(labels)  # Mengembalikan array gambar dan label

# Fungsi untuk mengekstraksi warna kulit dari gambar
def extract_skin(image):
    # Mengonversi gambar ke ruang warna YCrCb
    ycrcb = cv2.cvtColor(image, cv2.COLOR_RGB2YCrCb)
    # Mendefinisikan rentang warna kulit di YCrCb
    lower = np.array([0, 133, 77], dtype=np.uint8)
    upper = np.array([255, 173, 127], dtype=np.uint8)
    # Membuat mask
    mask = cv2.inRange(ycrcb, lower, upper)
    # Menerapkan mask ke gambar asli
    skin = cv2.bitwise_and(image, image, mask=mask)
    return skin

# Memuat data dari Google Drive
data_dir = '/content/drive/MyDrive/SIBI_data'
images, labels = load_data(data_dir)  # Memanggil fungsi untuk memuat gambar dan label

# Menerapkan ekstraksi warna kulit ke semua gambar
skin_images = np.array([extract_skin(image) for image in images])

# Praprocessing: normalisasi nilai piksel
images = images / 255.0  # Normalisasi nilai piksel gambar asli ke rentang [0, 1]
skin_images = skin_images / 255.0  # Normalisasi nilai piksel gambar hasil ekstraksi warna kulit ke rentang [0, 1]

# Encode label
lb = LabelBinarizer()
labels = lb.fit_transform(labels)  # Mengonversi label ke one-hot encoding

# Membagi data menjadi set pelatihan dan pengujian
X_train, X_test, y_train, y_test = train_test_split(images, labels, test_size=0.2, random_state=42)  # Membagi data asli
X_train_skin, X_test_skin, y_train_skin, y_test_skin = train_test_split(skin_images, labels, test_size=0.2, random_state=42)  # Membagi data hasil ekstraksi warna kulit










>>>>>>>>>>>>>>>>>>>>>>>>>>>> KEDUA
# Fungsi untuk membangun model CNN
def build_model():
    model = Sequential([
        Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),  # Lapisan konvolusi pertama
        MaxPooling2D((2, 2)),  # Lapisan max pooling pertama
        Conv2D(64, (3, 3), activation='relu'),  # Lapisan konvolusi kedua
        MaxPooling2D((2, 2)),  # Lapisan max pooling kedua
        Conv2D(128, (3, 3), activation='relu'),  # Lapisan konvolusi ketiga
        MaxPooling2D((2, 2)),  # Lapisan max pooling ketiga
        Flatten(),  # Lapisan flatten
        Dense(128, activation='relu'),  # Lapisan fully connected
        Dense(len(lb.classes_), activation='softmax')  # Lapisan output dengan aktivasi softmax
    ])
    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])  # Compile model
    return model

# Melatih dan mengevaluasi model pada gambar asli
model_original = build_model()
history_original = model_original.fit(X_train, y_train, epochs=20, validation_data=(X_test, y_test))  # Melatih model
loss_original, accuracy_original = model_original.evaluate(X_test, y_test)  # Mengevaluasi model pada set pengujian

# Melatih dan mengevaluasi model pada gambar hasil ekstraksi warna kulit
model_skin = build_model()
history_skin = model_skin.fit(X_train_skin, y_train_skin, epochs=20, validation_data=(X_test_skin, y_test_skin))  # Melatih model
loss_skin, accuracy_skin = model_skin.evaluate(X_test_skin, y_test_skin)  # Mengevaluasi model pada set pengujian

# Mencetak akurasi
print(f"Akurasi pada Gambar Asli: {accuracy_original * 100:.2f}%")
print(f"Akurasi pada Gambar Hasil Ekstraksi Warna Kulit: {accuracy_skin * 100:.2f}%")










>>>>>>>>>>>>>>>>>>>>>>>>>>>> KETIGA
# Plot sejarah pelatihan untuk gambar asli
plt.plot(history_original.history['accuracy'], label='Akurasi Pelatihan Gambar Asli')
plt.plot(history_original.history['val_accuracy'], label='Akurasi Validasi Gambar Asli')

# Plot sejarah pelatihan untuk gambar hasil ekstraksi warna kulit
plt.plot(history_skin.history['accuracy'], label='Akurasi Pelatihan Gambar Ekstraksi Warna Kulit')
plt.plot(history_skin.history['val_accuracy'], label='Akurasi Validasi Gambar Ekstraksi Warna Kulit')

# Menambahkan detail plot
plt.xlabel('Epoch')
plt.ylabel('Akurasi')
plt.ylim([0, 1])
plt.title('Perbandingan Akurasi Pelatihan dan Validasi')
plt.legend(loc='lower right')
plt.grid(True)
plt.show()










>>>>>>>>>>>>>>>>>>>>>>>>>>>> KEEMPAT
# Menampilkan beberapa gambar asli, proses, dan hasil ekstraksi warna kulit dari huruf A-Z
def show_images(original, processed, skin, labels):
    unique_labels = sorted(set(lb.inverse_transform(labels))) # Get unique labels from the original label encoder
    for label in unique_labels:
        label_indices = [i for i, l in enumerate(lb.inverse_transform(labels)) if l == label]
        plt.figure(figsize=(10, 5))
        plt.suptitle(f'Label: {label}', fontsize=16)
        for i, idx in enumerate(label_indices[:5]):  # Menampilkan 5 gambar sebagai contoh
            # Gambar asli
            plt.subplot(3, 5, i + 1)
            plt.imshow(original[idx])
            plt.title("Asli")
            plt.axis('off')

            # Gambar proses
            plt.subplot(3, 5, i + 6)
            plt.imshow(processed[idx])
            plt.title("Proses")
            plt.axis('off')

            # Gambar hasil ekstraksi warna kulit
            plt.subplot(3, 5, i + 11)
            plt.imshow(skin[idx])
            plt.title("Hasil Ekstraksi")
            plt.axis('off')

        plt.tight_layout(rect=[0, 0, 1, 0.96])
        plt.show()

# Menampilkan gambar dari setiap label
show_images(images, skin_images, skin_images, labels)