Mengenal Transfer Learning

Daftar Isi

Secara umum, algoritma machine learning terbagi dalam tiga kategori yaitu, Supervised learning, unsupervised learning dan Reinforcement learning. Pada algoritma Supervised learning digunakan untuk mempelajari mapping function antara input dengan output. Berbagai kemungkinan output sudah diketahui dan data yang digunakan untuk pelatihan sudah diberi label jawaban yang benar. Sedangkan pada unsupervised learning menggunakan kumpulan data pelatihan yang tidak berlabel untuk memodelkan struktur data dan membuatnya lebih subjektif. Reinforcement learning merupakan metode yang dipengaruhi oleh feedback dari lingkungan dengan teknik learning yang berulang-ulang (iterative) dan menyesuaikan (adaptive), yang dipercaya mendekati manusia belajar.

Apa Itu Deep Learning

Sementara itu,  Deep Learning merupakan cabang machine learning berbasis Jaringan Syaraf Tiruan atau Artificial Neural Network (ANN). Deep Learning memiliki banyak lapisan yang membentuk tumpukan, lapisan tersebut adalah sebuah algoritma pemodelan abstraksi tingkat tinggi pada data, dengan fungsi transformasi non- linear yang berlapis dan mendalam, lapisan pada deep learning dapat mencapai hingga ratusan lapisan. Deep learning memiliki 3 lapisan yaitu input layer, hidden layer dan output layer

Klasifikasi Objek Citra

Berdasarkan beberapa penelitian sebelumnya mengenai klasifikasi objek menggunakan algoritma Convolutional Neural Network (CNN) mendapatkan akurasi yang tinggi. Maka, Algoritma CNN sudah terbukti sangat baik digunakan untuk klasifikasi objek citra. Selain itu, penggunaan arsitektur MobileNetV2 juga dapat meningkatkan akurasi dan mengatasi kompleksitas komputasi jaringan yang tinggi dan waktu pelatihan data yang lama. 

Baca juga : Mengenal CNN pada Klasifikasi Citra

Deep Learning oleh Sunpark, Towards Data Science, 2019

Neural network memiliki struktur hirarki yang baik, dengan fitur umum dan khusus yang secara bertahap diperoleh saat jaringan semakin dalam. Metode pembelajaran mesin tradisional membutuhkan distribusi yang sama dari data domain sumber dan data domain target. Transfer learning merupakan teknik yang memanfaatkan kesamaan antar domain target dan domain sumber dan menggunakan domain sumber sebagai pola dasar untuk mempercepat pembelajaran di domain target. Metode ini tidak hanya mengurangi biaya pelatihan model, tetapi juga meningkatkan efek pembelajaran mesin secara signifikan. Oleh karena itu, transfer learning dapat membantu menangani beberapa skenario aplikasi baru, yang memungkinkan pembelajaran mesin saat tidak tersedia cukup data berlabel.

Baca Juga :   Analisis Sentimen dengan Algoritma Levenshtein Distance

Metode transfer learning yang sering dilakukan diantaranya adalah melatih semua parameter setelah memuat bobot pra- pelatihan, hanya menggunakan beberapa parameter lapisan terakhir yang dilatih setelah memuat bobot pra-pelatihan, menambahkan lapisan yang terhubung penuh berdasarkan jaringan asli, atau hanya menggunakan lapisan yang terhubung penuh terakhir yang dilatih setelah memuat bobot pra-pelatihan.

Baca juga : Klasifikasi Citra Menggunakan Transfer Learning dan CNN

Tahap preprocessing adalah tahap sebelum pelatihan dan pengujian data. Pada tahap ini dilakukan standarisasi dataset agar semua citra menjadi rata. Pada tahap ini dapat menggunakan library python tambahan yaitu ImageDataGenerator. Preprocessing yang dapat dilakukan diantaranya pembagian dataset, mengubah ukuran gambar, dan augmentasi data. Pembagian dataset dilakukan untuk memisahkan data yang akan digunakan untuk membangun model dan pengujian terhadap model yang sudah dibangun. Pengubahan ukuran piksel citra adalah langkah pra- pemrosesan penting dalam visi komputer untuk mengefektifkan model pelatihan. Semakin kecil ukuran gambar, semakin baik model akan berjalan. Augmentasi merupakan proses mengubah atau memodifikasi gambar. Augmentasi dapat memperbanyak data, sehingga model dapat melakukan generalisasi dengan baik. Serangkaian metode augmentasi seperti flipping, cropping, enlarging dan rescaling.

Semoga bermanfaat!!