Convolutional Neural Network Adalah: Cara Kerja dan Judul Skripsi

Convolutional Neural Network (CNN) adalah salah satu metode Deep Learning yang paling populer dalam bidang Artificial Intelligence (AI), khususnya untuk pemrosesan citra atau gambar digital. Teknologi ini banyak digunakan pada sistem pengenalan wajah, kendaraan otonom, deteksi objek, computer vision hingga analisis citra medis karena kemampuannya mengenali pola visual secara otomatis dengan tingkat akurasi tinggi.

Bagi mahasiswa IT, data science, machine learning engineer maupun peneliti akademik, memahami cara kerja Convolutional Neural Network menjadi hal yang penting. Oleh karena itu, pada artikel ini kita akan membahas pengertian CNN, arsitektur, cara kerja setiap lapisan, hingga contoh penerapan dan judul skripsi yang menggunakan metode Convolutional Neural Network.

Apa Itu Convolutional Neural Network (CNN)?

Convolutional Neural Network (CNN) adalah salah satu arsitektur jaringan saraf tiruan (Artificial Neural Network/ANN) pada metode Deep Learning yang dirancang khusus untuk memproses data berbentuk grid, terutama gambar (image) dan video. Menurut penelitian yang dikembangkan oleh Yann LeCun, CNN bekerja dengan melakukan ekstraksi fitur otomatis melalui operasi konvolusi untuk mengenali pola seperti tepi, bentuk, tekstur hingga objek pada citra digital.

Berbeda dengan metode machine learning tradisional yang membutuhkan ekstraksi fitur manual, Convolutional Neural Network mampu mempelajari representasi fitur secara otomatis melalui beberapa lapisan (layer), seperti convolution layer, activation layer, pooling layer dan fully connected layer. Karena kemampuan tersebut, CNN banyak digunakan pada computer vision, klasifikasi gambar, deteksi objek, pengenalan wajah hingga analisis medis berbasis citra.

Baca Juga: Belajar Jaringan Syaraf Tiruan (JST): Pengertian, Arsitektur, Cara Kerja dan Jenis-Jenisnya

Arsitektur Convolutional Neural Network (CNN)

Arsitektur CNN terdiri dari beberapa lapisan. Secara umum, CNN terdiri dari tiga jenis lapisan: lapisan konvolusi (convolutional layer), lapisan aktivasi (activation layer) dan lapisan pengurangan dimensi (pooling layer). Selain itu, CNN juga dapat memiliki lapisan tersembunyi (hidden layer) yang terdiri dari lapisan fully connected.

1. Lapisan Konvolusi

Lapisan konvolusi adalah lapisan pertama pada CNN. Lapisan ini melakukan konvolusi pada gambar masukan dengan serangkaian filter (kernel) untuk menghasilkan fitur-fitur tertentu. Konvolusi dilakukan dengan cara menggeser filter pada gambar masukan dan menghitung jumlah perkalian titik antara elemen filter dan elemen gambar pada area yang sama.

Hasil dari operasi konvolusi ini disebut dengan feature map. Setiap filter pada lapisan konvolusi dapat mempelajari fitur-fitur yang berbeda pada gambar, seperti tepi, sudut atau warna. Ukuran filter biasanya kecil, misalnya 3×3 atau 5×5 dan setiap filter menghasilkan satu feature map.

2. Lapisan Aktivasi

Setelah lapisan konvolusi, dilakukan lapisan aktivasi. Lapisan ini bertujuan untuk menambahkan non-linearitas pada model. Fungsi aktivasi yang paling umum digunakan pada CNN adalah ReLU (Rectified Linear Unit), yang membatasi nilai negatif pada feature map menjadi nol. Dalam beberapa kasus, fungsi aktivasi yang lain seperti tanh atau sigmoid dapat digunakan.

3. Lapisan Pooling

Lapisan pooling digunakan untuk mengurangi dimensi pada feature map. Hal ini dilakukan untuk mengurangi kompleksitas model dan mencegah overfitting. Ada beberapa jenis lapisan pooling yang umum digunakan, seperti Max pooling dan Average pooling. Max pooling mengambil nilai maksimum dari area tertentu pada feature map, sedangkan Average pooling mengambil nilai rata-rata dari area tersebut. Ukuran area pooling biasanya 2×2 atau 3×3.

4. Lapisan Fully Connected

Lapisan Fully Connected pada CNN biasanya terletak di bagian akhir dari model dan bertanggung jawab untuk menghubungkan semua fitur yang sudah di-ekstrak sebelumnya, menjadi suatu vektor yang dapat digunakan untuk klasifikasi atau deteksi objek.

Lapisan ini serupa dengan lapisan pada jaringan saraf tiruan biasa, dengan setiap neuron pada lapisan ini dihubungkan ke setiap neuron pada lapisan sebelumnya dan setelahnya. Pada akhirnya, lapisan fully connected menghasilkan vektor kelas yang menunjukkan probabilitas setiap kelas pada gambar masukan.

Cara Kerja Convolutional Neural Network (CNN)

CNN di-training dengan menggunakan metode backpropagation, yaitu suatu metode untuk mengoptimalkan bobot pada setiap lapisan, sehingga model dapat memberikan hasil yang lebih akurat. Backpropagation dilakukan dengan cara membandingkan output yang dihasilkan oleh model dengan output yang diharapkan, lalu menghitung gradien kesalahan pada setiap neuron dan mengoptimalkan bobot pada setiap lapisan berdasarkan gradien tersebut.

Saat melakukan training CNN, umumnya digunakan metode Stochastic Gradient Descent (SGD) sebagai optimizer, yang bertujuan untuk meminimalkan kesalahan pada model. Selain itu, dapat pula digunakan berbagai teknik seperti Regularization dan Dropout untuk mencegah overfitting pada model.

Baca Juga: Stochastic Gradient Descent (SGD): Teori dan Penerapan 

Aplikasi Convolutional Neural Network (CNN)

CNN telah digunakan dalam berbagai aplikasi, seperti:

1. Klasifikasi gambar: CNN digunakan untuk mengenali objek pada gambar, seperti mobil, manusia atau hewan.
2. Deteksi objek: CNN dapat digunakan untuk mendeteksi objek pada gambar, seperti wajah, kendaraan atau hewan.
3. Segmentasi gambar: CNN dapat memisahkan bagian-bagian pada gambar, seperti latar belakang, objek atau tepi.
4. Rekognisi tulisan tangan: CNN dapat digunakan untuk mengenali tulisan tangan, seperti pada pengenalan karakter pada dokumen.
5. Pemrosesan bahasa alami: CNN juga dapat digunakan untuk mengolah teks, seperti pada klasifikasi sentimen atau penandaan posisi kata pada kalimat.

Judul Skripsi Convolutional Neural Network (CNN)

Berikut ini adalah 10 contoh judul skripsi dengan metode Convolutional Neural Network (CNN):

1. Penerapan CNN pada Identifikasi Penyakit Kulit Berbasis Citra Digital.
2. Klasifikasi Sentimen pada Ulasan Produk Menggunakan CNN.
3. Deteksi Gangguan Jalan dengan CNN pada Citra Kamera Lalu Lintas.
4. Pengenalan Wajah Menggunakan CNN pada Sistem Keamanan.
5. Segmentasi Citra Udara untuk Deteksi Pohon pada Aplikasi Pemetaan Hutan Menggunakan CNN.
6. Klasifikasi Citra Mikroskopik Sel Darah Merah Normal dan Anomali dengan Convolutional Neural Network.
7. Perbandingan Penggunaan Convolutional Neural Network dan Support Vector Machine dalam Klasifikasi Objek pada Citra Digital.
8. Penerapan Convolutional Neural Network untuk Mendeteksi Anomali Sinyal EKG pada Sistem Monitoring Jantung.
9. Pengenalan Isyarat Tangan dalam Bahasa Isyarat Indonesia dengan Convolutional Neural Network pada Citra Depth Sensor.
10. Penerapan Convolutional Neural Network pada Deteksi Retakan pada Bangunan Berbasis Citra Udara.

Baca Juga: Belajar Data Mining: Pengertian, Metode Dan Cara Kerja

Kesimpulan

Pada pembahasan di atas dapat disimpulkan bahwa Convolutional Neural Network (CNN) adalah salah satu metode Deep Learning yang dirancang untuk mengenali pola pada gambar dan data visual secara otomatis. Dengan arsitektur seperti convolution layer, activation layer, pooling layer dan fully connected layer, CNN mampu melakukan klasifikasi gambar, deteksi objek, segmentasi citra hingga pengenalan pola dengan tingkat akurasi tinggi.

Memahami cara kerja Convolutional Neural Network menjadi hal penting, terutama bagi mahasiswa IT, praktisi machine learning, data science dan peneliti kecerdasan buatan. Dengan memahami pengertian, arsitektur dan aplikasi CNN, kamu dapat lebih mudah mengembangkan proyek computer vision maupun menentukan topik penelitian berbasis Deep Learning.

Artikel ini merupakan bagian dari seri Kecerdasan Buatan KantinIT.com. Jika artikel ini bermanfaat, jangan lupa bagikan ke media sosial atau ke teman kamu.