Sudoku Solver Dengan Digital Image Processing dan CNN

Proyek ini mengimplementasikan dua pendekatan Pemrosesan Citra Digital dan Jaringan Saraf Konvolusional (CNN). Pemrosesan Citra Digital digunakan untuk mengekstraksi gambar, sedangkan Jaringan Saraf Konvolusional (CNN) diterapkan untuk proses pembelajaran dan prediksi
Tujuan utama project ini adalah untuk menghasilkan sebuah algoritma yang mampu menyelesaikan teka-teki Sudoku secara efisien dan akurat dari input berbasis citra.

🏁 Table of Contents

Dataset
Teknologi yang Digunakan
Cara Menggunakan
referensi
Kontribusi
Lisensi
File
Teams

Dataset

Proyek ini menggunakan dataset dari RAVDESS, yang merupakan sumber daya yang sangat berharga untuk penelitian dalam bidang pengenalan emosi melalui suara.

Berikut adalah penjelasan singkat tentang identifikasi nama file dalam dataset RAVDESS:

Modality (01 = full-AV, 02 = video-only, 03 = audio-only).
Vocal channel (01 = speech, 02 = song).
Emotion (01 = neutral, 02 = calm, 03 = happy, 04 = sad, 05 = angry, 06 = fearful, 07 = disgust, 08 = surprised).
Emotional intensity (01 = normal, 02 = strong). NOTE: There is no strong intensity for the 'neutral' emotion.
Statement (01 = "Kids are talking by the door", 02 = "Dogs are sitting by the door").
Repetition (01 = 1st repetition, 02 = 2nd repetition).
Actor (01 to 24. Odd numbered actors are male, even numbered actors are female).

Sebagai contoh, nama file audio 02-01-06-01-02-01-12.mp4 memiliki meta data sebagai berikut:

Video-only (02)
Speech (01)
Fearful (06)
Normal intensity (01)
Statement "dogs" (02)
1st Repetition (01)
12th Actor (12) - Female (as the actor ID number is even)

Dalam proyek ini, kami melakukan pengelompokan emosi menjadi dua kelas utama: Depresi dan Non-Depresi. Emosi seperti neutral, calm, surprised, dan happy akan dikategorikan ke dalam kelas Non-Depresi. Sementara itu, emosi seperti sad, angry, fearful, dan disgust akan dikategorikan ke dalam kelas Depresi.

Tujuan dari pengelompokan ini adalah untuk memudahkan analisis dan pemahaman tentang bagaimana emosi dapat dikelompokkan berdasarkan karakteristik mereka. Dengan demikian, ini akan membantu dalam penelitian lebih lanjut tentang pengenalan depresi berbasis dataset emosi

Teknologi yang Digunakan

Python
Scikit-learn
Pandas
Numpy
Matplotlib
Seaborn
Keras

Cara Menggunakan

Clone repositori ini.
Install semua dependensi yang diperlukan.
Jalankan notebook Jupyter atau script Python.

Referensi

Jika Anda tertarik untuk mempelajari lebih lanjut tentang topik ini, berikut adalah beberapa referensi yang mungkin berguna:

Understanding Depression: Signs, Symptoms, Causes, and Help
Machine Learning for Mental Health Prediction

Kontribusi

Kontribusi, masalah, dan permintaan fitur baru selalu diterima. Untuk perubahan besar, harap buka issue terlebih dahulu untuk membahas apa yang ingin Anda ubah.