# Klasifikasi Citra Menggunakan Xception dengan Grad-CAM

Proyek ini membangun model klasifikasi citra biner berbasis **transfer learning** dengan arsitektur **Xception** dari Keras, dilengkapi dengan metode Explainable AI (XAI) seperti **Grad‑CAM** untuk menjelaskan prediksi model secara visual.

## Deskripsi Proyek

Model memanfaatkan arsitektur **Xception** yang telah dilatih pada dataset **ImageNet**, kemudian ditambahkan beberapa layer di atasnya untuk disesuaikan dengan kebutuhan klasifikasi biner. Teknik **data augmentation**, **rescaling**, dan lapisan **Dense** digunakan untuk meningkatkan akurasi dan generalisasi model.

## Arsitektur Model

```text
Input: (299, 299, 3)
↓ Data Augmentation
↓ Rescaling (1./255)
↓ Xception (tanpa top layer, pretrained ImageNet)
↓ Flatten
↓ Dense (128 neuron, ReLU)
↓ Dense (1 neuron, Sigmoid)
Output: Prediksi biner (0 atau 1)
```

### Ringkasan Layer

| Layer           | Output Shape         | Parameters |
| --------------- | -------------------- | ---------- |
| InputLayer      | (None, 299, 299, 3)  | 0          |
| Xception        | (None, 10, 10, 2048) | 20,861,480 |
| Flatten         | (None, 204800)       | 0          |
| Dense (ReLU)    | (None, 128)          | 26,214,528 |
| Dense (Sigmoid) | (None, 1)            | 129        |

**Total parameter**: 99.5 juta
**Trainable parameter**: 26.2 juta
**Non-trainable (frozen Xception)**: 20.8 juta

## Kompilasi Model

```python
pretrained_model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['accuracy']
)
```

## Pelatihan Model

Model dilatih menggunakan `fit()` pada dataset `train_ds` dan divalidasi terhadap `val_ds` selama 20 epoch.

```python
history2 = pretrained_model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=20,
    callbacks=[reduce_lr, terminate_callback]
)
```

## Explainable AI (XAI)

Model ini juga dieksplorasi menggunakan **Grad‑CAM** untuk melihat area gambar mana yang dianggap penting oleh model saat membuat prediksi.