Klasifikasi Citra Menggunakan Transfer Learning dan Convolutional Neural Network (CNN)

Banyaknya data berupa citra yang telah dihimpun, baik yang telah disebarluaskan sebagai data citra yang dapat diolah atau dijadikan pedoman bagi peneliti lain baik untuk mengembangkan penelitian maupun untuk merancang suatu penelitian yang baru, masih diperlukan suatu pendekatan deep learning untuk membantu dalam mengkondisikan data citra tersebut. Hal ini dimaksudkan, karena data citra tersebut memiliki berbagai macam kondisi, bisa hanya himpunan dari internet atau bisa juga memang data hasil foto sendiri atau tangkapan sendiri yang memiliki skala dan resolusi yang berbeda-beda. Oleh karena itu, bersumber pada penelitian-penelitian yang telah dilakukan, masih terdapat beberapa kekurangan seperti permasalahan dataset, baik dalam jumlah dataset hingga variasi dari dataset yang digunakan, ekstraksi fitur yang digunakan, preprocessing yang dilakukan hingga arsitektur model yang dibangun. Convolutional Nerual Network (CNN) merupakan salah satu algoritma deep learning yang merepresentasikan perkembangan multi-layer perceptrons (MLP). CNN dapat digunakan untuk mengklasifikasikan data berlabel yang mewakili neuronnya dalam format dua dimensi. Oleh karena itu, CNN merupakan salah satu model yang paling populer dan akurat yang diimplementasikan dalam klasifikasi citra. 

Baca juga : Klasifikasi Citra BioMedical dengan Machine Learning

Convolutional Nerual Network (CNN) memiliki kemampuan untuk mendeteksi dan mengenali objek dalam sebuah citra, juga dapat mengungguli metode tradisional dalam visi komputer dan tugas pengenalan pola, seperti deteksi objek, klasifikasi, segmentasi citra, dan pengenalan teks. Selain itu, Transfer learning merupakan teknik deep learning yang menggunakan model yang dilatihkan pada satu masalah untuk memecahkan masalah yang lain. Pembelajaran transfer memungkinkan pelatihan pembelajaran mendalam dengan sejumlah kecil sampel dengan akurasi tinggi. Oleh karena itu, model klasifikasi yang dibangun menggunakan CNN dengan memadukan dua model Transfer Learning yaitu VGG-16 dan Xception dapat membuat dataset lebih bervariasi dengan menggunakan teknik augmentasi data sehingga dapat memperkaya dataset yang dimiliki dan diharapkan dapat terhindar dari kasus overfitting. Tujuan memadukan model CNN dengan Transfer Learning adalah untuk meningkatkan hasil akurasi yang sebelumnya didapatkan dari pelatihan model CNN. 

Pemrosesan Citra

Pemrosesan citra adalah studi tentang algoritma yang mengambil citra sebagai input dan mengembalikan citra sebagai output. Saat ini, pemrosesan citra merupakan alat penting dalam banyak bidang ilmiah, termasuk ilmu komputer, teknik elektro, robotika, fisika, kimia, ilmu lingkungan, biologi, dan psikologi. Pemrosesan citra adalah subkategori pemrosesan sinyal. Input dari pemrosesan sinyal adalah citra dan output juga merupakan citra atau fungsi yang terkait dengannya. Saat ini, teknologi pengolahan citra berkembang pesat, dan  pengolahan citra banyak dipelajari dalam bidang teknologi informasi dan rekayasa. Pengolahan citra digital (Image Manipulation) adalah proses memanipulasi piksel-piksel dari suatu citra digital untuk tujuan tertentu. Suatu citra dianggap digital jika citra yang dihasilkan merupakan keluaran dari komputer, kamera, pemindai atau perangkat elektronik lainnya. Pengolahan citra digital dilakukan  dengan menggunakan algoritma komputer citra digital disajikan sebagai matriks, pengolahan citra digital terutama manipulasi elemen matriks menjadi piksel.

Baca juga : Mengenal Machine Learning

Perbedaan antara pendekatan pembelajaran mesin tradisional dan pendekatan pembelajaran transfer. Citra menunjukkan dua set data yang berbeda, mobil dan bus. Dataset memiliki dua tugas  yang berbeda, yaitu mengklasifikasikan mobil penumpang dan bus. Pembelajaran mesin tradisional memerlukan latihan dari waktu ke waktu untuk mempelajari suatu tugas, sedangkan pembelajaran transfer memerlukan pelatihan  model yang telah dilatih sebelumnya pada domain target baru dengan sampel pelatihan yang lebih kecil.

Baca Juga :   Pengenalan Environment Object-Oriented Programming

Semoga bermanfaat!!