Muhammad Ainol Yakin/222401013090 📦 DATASET: SPORTS CLASSIFICATION Dataset yang digunakan adalah gpiosenka/sports-classification dari Kaggle, berisi gambar berbagai jenis olahraga. 🏷 Kategori yang Dipakai: bowling volleyball tennis rugby
Langkah Awal: Dataset didownload menggunakan kagglehub. Hanya 4 kategori yang diambil, masing-masing gambarnya dipindahkan ke dalam folder baru bernama sports_balls untuk keperluan training.
🧾 STRUKTUR DATASET Dataset dikustomisasi dalam class SportsBallDataset: Membaca gambar dari folder yang sudah dipilih. Melakukan transformasi (resize ke 128x128 dan diubah ke tensor). Menghasilkan dua output: Gambar asli (image) Peta tepi (edge map) menggunakan Sobel filter, hasil dari deteksi tepi terhadap gambar grayscale.
🧠 ARSITEKTUR: EDGE-AUTOENCODER 🎯 Tujuan: Model autoencoder yang tidak hanya merekonstruksi gambar, tetapi juga memperhatikan informasi tepi, agar hasil lebih tajam dan struktur objek lebih terlihat. 🧱 Encoder: Conv2D(3 → 64) → ReLU → MaxPool Conv2D(64 → 128) → ReLU → MaxPool 🔄 Decoder: ConvTranspose(128 → 64) → ReLU ConvTranspose(64 → 32) → ReLU Conv2D(32 → 3) → Sigmoid (untuk mengembalikan nilai pixel antara 0 dan 1) 🌐 Edge Enhancement Path: Setelah hasil rekonstruksi diperoleh: Gambar dikonversi ke grayscale. Diproses oleh jaringan CNN kecil untuk menghasilkan peta tepi sintetis. Digabungkan dengan hasil rekonstruksi: 0.6 * hasil_rekonstruksi + 0.4 * peta_tepi
🧮 METRIK EVALUASI Loss Function: MSE (output vs input) + 0.3 * MSE(edge_output vs target_edge) ⇒ Supaya model juga belajar mempertahankan fitur tepi.
PSNR (Peak Signal-to-Noise Ratio) ⇒ Mengukur seberapa dekat hasil output terhadap target input (dalam skala logaritmik).
SSIM (Structural Similarity Index) ⇒ Mengukur kemiripan struktur antara gambar input dan output.
🏋️♂️ TRAINING LOOP Dilatih selama 15 epoch. Setiap epoch: Data diproses dan model diupdate berdasarkan loss total. Hasil setiap epoch: Disimpan sebagai gambar (input, output, edge) ke folder results/ Dihitung nilai PSNR dan SSIM untuk visualisasi kualitas
📈 VISUALISASI METRIK Grafik ditampilkan: 📉 Loss: Menunjukkan penurunan error selama training 🔊 PSNR: Semakin tinggi, hasil rekonstruksi makin bagus 🧩 SSIM: Nilai antara 0–1, makin mendekati 1 makin mirip strukturnya
🖼 VISUAL OUTPUT Ditampilkan hasil visual akhir dari model: Baris 1: Gambar input (asli) Baris 2: Gambar hasil rekonstruksi Baris 3: Edge map dari input
Setiap epoch hasil ini disimpan di results/comparison_epoch_*.png