Intel Image Classifier

Machine Learning2025

Intel Image Classifier adalah aplikasi web untuk klasifikasi gambar berbasis Tensor Flow JS. Pengguna dapat mengunggah gambar dan sistem akan mengklasifikasikannya ke dalam kategori Buildings, Forest, Mountain, dan Sea langsung dari browser tanpa perlu server tambahan.

Tensor Flow JSHTMLCSSJavaScriptVGG sixteen

Intel Image Classifier adalah alat klasifikasi gambar berbasis web yang ditenagai oleh Tensor Flow JS. Aplikasi ini memungkinkan pengguna untuk mengunggah gambar dan mengklasifikasikannya ke dalam kategori seperti Buildings, Forest, Mountain, dan Sea. Seluruh proses inferensi berjalan langsung di browser tanpa perlu mengirim data ke server.

Fitur

• Drag and drop untuk unggah gambar
• Klasifikasi gambar secara real-time menggunakan model Tensor Flow JS yang sudah dilatih sebelumnya
• Progress bar saat memuat model
• Tampilan UI yang rapi dan responsif
• Menampilkan hasil prediksi beserta persentase confidence

Tech Stack

• Frontend: HTML, CSS, JavaScript
• Machine Learning: Tensor Flow JS
• UI Styling: Custom CSS dengan Flexbox dan Grid

Cara Penggunaan

Buka aplikasi di browser.
Drag and drop gambar atau klik untuk mengunggah.
Tunggu hingga model selesai memproses.
Lihat hasil prediksi beserta persentase confidence-nya.

Struktur Project

intel-image-classifier/
├── index.html         # File HTML utama
├── styles/style.css   # CSS styling
├── js/ml.js           # JavaScript untuk loading model dan klasifikasi
└── tfjs_model/        # File model TensorFlow.js

Detail Model

Model klasifikasi yang digunakan pada project ini berbasis VGG sixteen sebagai feature extractor yang telah fine-tuning untuk dataset Intel Image Classification. Arsitektur modelnya terdiri dari:

• Base Model: VGG sixteen (pre-trained pada ImageNet, dengan layer yang dibekukan)
• Custom Layers:
- - Conv2D (256 filter, kernel size 3x3, aktivasi ReLU, regularisasi L2)
- - Batch Normalization
- - MaxPooling2D
- - Global Average Pooling
- - Fully connected Dense layer (256 unit, aktivasi ReLU, dropout 0.5)
- - Output layer (4 unit, aktivasi softmax)

Hasil Training (Fine-Tuning)

• Epochs: 13
• Train Accuracy: 97.24%
• Validation Accuracy: 97.01%
• Loss Function: Categorical Crossentropy (dengan label smoothing 0.05)
• Optimizer: Adam (learning rate: 1e-5)

Demo Aplikasi

Informasi Proyek

PlatformWebsite
StackHTML, CSS, JavaScript, Tensor Flow JS, VGG sixteen