Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101

Abstract

Deep Learning adalah sebuah bidang keilmuan baru dalam bidang Machine Learning yang akhir-akhir ini berkembang karena perkembangan teknologi GPU accelaration. Deep Learning memiliki kemampuan yang sangat baik dalam visi komputer. Salah satunya adalah pada kasus klasifikasi objek pada citra. Dengan mengimplementasikan salah satu metode machine learning yang dapat digunakan untuk klasifikasi citra objek yaitu CNN. Metode CNN terdiri dari dua tahap. Tahap pertama adalah klasifikasi citra menggunakan feedforward. Tahap kedua merupakan tahap pembelajaran dengan metode backpropagation. Sebelum dilakukan klasifikasi, terlebih dahulu dilakukan praproses dengan metode wrapping dan cropping untuk memfokuskan objek yang akan diklasifikasi. Selanjutnya dilakukan training menggunakan metode feedforward dan backpropagation. Terakhir adalah tahap klasifikasi menggunakan metode feedforward dengan bobot dan bias yang diperbarui. Hasil uji coba dari klasifikasi citra objek dengan tingkat confusion yang berbeda pada basis data Caltech 101 menghasilkan rata-rata nilai akurasi mencapai. Sehingga dapat disimpulkan bahwa metode CNN yang digunakan pada Tugas Akhir ini mampu melakukan klasifikasi dengan baik.

Deteksi Defisiensi Unsur Hara Makro pada Tanaman Kopi berdasarkan Karakteristik Gejala Visual Daun menggunakan MTCD dan JST

“…Pada setiap data input layer dilakukan operasi linear dengan nilai bobot yang ada, kemudian hasil komputasi akan ditransformasi menggunakan operasi non-linear yang disebut sebagai fungsi aktivasi. Fungsi aktivasi memungkinkan JST untuk dapat mentransformasi data input menjadi dimensi yang lebih tinggi sehingga dapat dilakukan pemotongan hyperlane sederhana yang memungkinkan dilakukannya klasifikasi [25].…”

Convolutional Neural Network as an Extractor Feature For Image Search

“…Applies a convolutional neural network algorithm to classify images, which uses training and test data on the Caltech 101 dataset, with 5 categories of poultry, namely: Emu, Flamingo, Ibis, Pigeon, and Rooster, besides 3 other categories, namely: Cougar (Cougar Body and Cougar Face), Crocodile (Crocodile and Crocodile Head) and Face (Face and Face Easy), the test results in the test data produced the lowest percentage of 20% in the poultry category where the categories Ebis, Flamingo, Pigeon and Emu cannot be classified properly , then a percentage of 50% in the Cougar, Crocodile, and Face categories, so the overall percentage is between 20% -50% [4].…”

Brain Tumor Classification Using Gray Level Co-occurrence Matrix and Convolutional Neural Network

“…Research on the classification of brain tumors can be divided into several phases, starting from the process of segmentation, extraction feature on the object area, until to build a model to recognize the type of brain tumor. Several approaches to classifying brain tumors have been performed [1], [2]. In the case of image classification, the most commonly used method is Deep Learning which is considered to have a high degree of accuracy [2].…”

“…Several approaches to classifying brain tumors have been performed [1], [2]. In the case of image classification, the most commonly used method is Deep Learning which is considered to have a high degree of accuracy [2]. One method of Deep Learning is the Deep Neural Network, two of which are the Convolutional Neural Network (CNN) and Multilayer Perceptron (MLP).…”

“…CNN is the development of MLP. CNN is rated better than MLP because CNN has a high network depth and is widely applied to image data, whereas MLP is not good because it does not store spatial information from image data and assumes each pixel is an independent feature that produces poor results [2].…”