Catatan Kuliah tentang CNN (Convolutional Neural Network)

Pendahuluan

• CNN adalah jenis Neural Network yang umum digunakan untuk analisis dan klasifikasi gambar.
• Dengan mempelajari CNN, kita dapat mengembangkan berbagai aplikasi dalam Artificial Intelligence dan Machine Learning.
• Video ini bertujuan untuk memberikan penjelasan komprehensif tentang CNN dalam durasi sekitar 45 menit.

Proses Awal

• Menggunakan gambar berukuran 160 x 160.
• Membaca gambar untuk mendapatkan variabel train X dan train Y.
• Train X berisi 150 data (50 data untuk masing-masing simbol U, V, W) dengan ukuran 160 x 160 x 3 (RGB).
• Proses awal: reading data, flattening, dan transpose.

Flattening

• Semua pixel (160 x 160 x 3) dijadikan satu baris, menghasilkan 76.800 pixel.
• Proses ini menggabungkan semua pixel menjadi satu dimensi.

Transpose

• Pixel yang telah di-flatten diputar dan disusun kembali untuk input ke neural network.

Kesulitan dalam Pembelajaran

• Akurasi model masih rendah (sekitar 70%) saat mengklasifikasikan 3 simbol.
• Kesulitan muncul karena pixel-pixel tersebar di berbagai lokasi.
• Model harus belajar untuk menghubungkan pixel yang relevan.

Konsep Konvolusi

• Proses Konvolusi: Node melihat region-area (misalnya, 3x3, 5x5) daripada semua pixel secara flat.
• Dengan konvolusi, fitur dapat dikenali lebih baik dalam gambar.
• Penggunaan filter untuk mengidentifikasi fitur dalam gambar.

Proses Konvolusi

• Menggunakan filter ukuran 3x3 hingga 7x7.
• Filter bertugas mengenali pola dan fitur tertentu dalam gambar.
• Output menunjukkan seberapa cocok bagian gambar dengan filter.

Padding dan Stride

• Padding: Menambahkan lapisan di sekitar gambar untuk menjaga ukuran output.
• Stride: Menentukan seberapa banyak pergeseran saat menerapkan filter.

Pooling

• Max Pooling: Mengambil nilai maksimum dari region yang lebih kecil untuk mengurangi ukuran output tanpa mengubah jumlah channel.
• Average Pooling: Mengambil rata-rata dari pixel dalam area yang ditentukan.

Kombinasi Layer

• Menggabungkan beberapa layer konvolusi dan pooling untuk mengekstrak fitur dari gambar secara bertahap.
• Setiap layer mengekstrak fitur yang lebih kompleks dari layer sebelumnya.

Proses Akhir

• Setelah beberapa layer konvolusi dan pooling, hasil output di-flatten ke dalam format yang dapat diproses oleh neural network biasa.
• Menggunakan softmax di layer akhir untuk klasifikasi.

Kesimpulan

• CNN memberikan pendekatan yang lebih efektif dalam mengenali dan memahami gambar.
• Dengan banyaknya layer, CNN dapat mengekstrak fitur yang lebih kompleks.
• Pada video berikutnya, akan ada demonstrasi pemrograman CNN untuk klasifikasi gambar.