Convolutional Neural Network (CNN) adalah jenis model jaringan saraf tiruan yang sangat sukses dalam pemrosesan data gambar. CNN digunakan untuk memecahkan masalah klasifikasi gambar, deteksi objek, segmentasi gambar dan masih banyak lagi.
Dalam artikel ini, kita akan belajar bersama-sama dengan detail mengenai arsitektur CNN dan cara kerja dari setiap lapisannya.
Pengertian Convolutional Neural Network (CNN)
Convolutional Neural Network (CNN) merupakan salah satu jenis model Deep Learning yang sangat populer. CNN pertama kali dikembangkan oleh Yann LeCun pada tahun 1980-an. CNN memiliki kemampuan untuk memproses data gambar secara efektif dan efisien. Salah satu keunggulan CNN dibandingkan dengan metode klasifikasi gambar tradisional adalah kemampuannya untuk melakukan ekstraksi fitur secara otomatis dari gambar. CNN juga dapat memproses gambar yang memiliki ukuran berbeda-beda, tanpa perlu melakukan pra-pemrosesan.
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.
Aplikasi Convolutional Neural Network (CNN)
CNN telah digunakan dalam berbagai aplikasi, seperti:
- Klasifikasi gambar: CNN digunakan untuk mengenali objek pada gambar, seperti mobil, manusia atau hewan.
- Deteksi objek: CNN dapat digunakan untuk mendeteksi objek pada gambar, seperti wajah, kendaraan atau hewan.
- Segmentasi gambar: CNN dapat memisahkan bagian-bagian pada gambar, seperti latar belakang, objek atau tepi.
- Rekognisi tulisan tangan: CNN dapat digunakan untuk mengenali tulisan tangan, seperti pada pengenalan karakter pada dokumen.
- 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):
- Penerapan CNN pada Identifikasi Penyakit Kulit Berbasis Citra Digital.
- Klasifikasi Sentimen pada Ulasan Produk Menggunakan CNN.
- Deteksi Gangguan Jalan dengan CNN pada Citra Kamera Lalu Lintas.
- Pengenalan Wajah Menggunakan CNN pada Sistem Keamanan.
- Segmentasi Citra Udara untuk Deteksi Pohon pada Aplikasi Pemetaan Hutan Menggunakan CNN.
- Klasifikasi Citra Mikroskopik Sel Darah Merah Normal dan Anomali dengan Convolutional Neural Network.
- Perbandingan Penggunaan Convolutional Neural Network dan Support Vector Machine dalam Klasifikasi Objek pada Citra Digital.
- Penerapan Convolutional Neural Network untuk Mendeteksi Anomali Sinyal EKG pada Sistem Monitoring Jantung.
- Pengenalan Isyarat Tangan dalam Bahasa Isyarat Indonesia dengan Convolutional Neural Network pada Citra Depth Sensor.
- Penerapan Convolutional Neural Network pada Deteksi Retakan pada Bangunan Berbasis Citra Udara.
Kesimpulan
Pada pembelajaran kita di atas dapat kita simpulkan bahwa Convolutional Neural Network (CNN) adalah salah satu jenis model jaringan saraf tiruan yang sangat efektif dalam memproses data gambar. CNN terdiri dari beberapa lapisan, seperti lapisan konvolusi, lapisan aktivasi, lapisan pooling dan lapisan fully connected.
CNN di-training dengan metode backpropagation dan optimizer seperti SGD, serta dapat digunakan pada berbagai aplikasi, seperti klasifikasi gambar, deteksi objek, segmentasi gambar dan rekognisi tulisan tangan. Semoga artikel ini dapat memberikan pemahaman yang lebih dalam mengenai Convolutional Neural Network.
Artikel ini merupakan bagian dari seri artikel belajar Kecerdasan Buatan dan jika ada ide topik yang mau kami bahas silahkan komen di bawah ya..
