Convolutional Neural Network

Convolutional neural networks (CNNs) pertama kali dikenalkan oleh Yann LeCun et
all., pada tahun 1998 dalam makalahnya “Gradient-Based Learning Applied to
Document Recognition” [22]. LeCun mengenalkan versi awal CNN yaitu LeNet
(berasal dari nama LeCun) yang berhasil mengenali karakter tulisan tangan. Pada
saat itu LeNet hanya mampu bekerja dengan baik pada gambar dengan resolusi
rendah.

Database yang digunakan dalam LeCun adalah MNIST database of handwritten

digits, terdiri dari pasangan angka 0 hingga 9 dengan labelnya. Dataset MNIST
dikenal luas hingga saat ini dan banyak digunakan terutama oleh para pemula untuk
melatih model machine learning.

Sejak ditemukannya LeNet, para peneliti terus melakukan riset untuk

mengembangkan model CNN. Hingga pada tahun 2012, Alex Krizhevsky
memperkenalkan AlexNet [23], versi lebih canggih dari CNN yang memenangkan
perlombaan terkenal ImageNet. AlexNet ini adalah cikal bakal deep learning, salah
satu cabang AI yang menggunakan multi-layer neural networks.

Selain deep learning, salah satu bidang menarik yang muncul dari perkembangan
machine learning adalah computer vision. Computer Vision adalah bidang yang
memberi komputer kemampuan untuk ‘melihat’ seperti manusia.

Salah satu contoh implementasi dari computer vision adalah pada pengenalan
wajah, bahkan deteksi penyakit. Dan salah satu bidang yang mulai populer yaitu self
driving cars seperti di bawah ini.

Bagaimana Komputer Melihat

Komputer adalah sebuah mesin yang hanya bisa membaca angka. Sebuah gambar
dalam komputer adalah matriks yang berisi nilai dari setiap pixel di gambar. Pada
gambar hitam putih, gambar merupakan matriks 2 dimensi. Pada gambar berwarna,
gambar merupakan matriks 2 kali 3 dimensi di mana 3 dimensi terakhir adalah
jumlah kanal dari gambar berwarna yaitu RGB (red, green, blue).

Klasifikasi Gambar
Salah satu peran machine learning dalam computer vision adalah pada klasifikasi
gambar. Contohnya, kita punya label yaitu nama beberapa presiden Amerika
Serikat. Kita ingin memprediksi siapa presiden di gambar. Jaringan saraf seperti di
bawah menunjukkan probabilitas siapa presiden di dalam foto.

Untuk mengklasifikasikan siapa presiden dalam gambar dengan benar, model kita
harus mampu untuk mengenali ciri-ciri unik yang terdapat pada wajah Lincoln,
Washington, Jefferson, dan Obama.
Setiap objek dari gambar memiliki atribut unik. Seperti pada gambar di atas, objek
orang memiliki atribut unik berupa hidung, mata, dan mulut. Pada objek mobil
terdapat atribut roda, lampu, dan plat nomor, sedangkan objek rumah memiliki
atribut pintu, jendela, dan tangga.

Convolutional Layer
Sebuah jaringan saraf biasa mengenali gambar berdasarkan piksel-piksel yang
terdapat pada gambar. Teknik yang lebih optimal adalah dengan menggunakan
convolutional layer di mana alih alih mengenali objek berdasarkan piksel-piksel,
jaringan saraf dapat mengenali objek berdasarkan atribut-atribut yang memiliki lebih
banyak informasi.

Convolutional layer berfungsi untuk mengenali atribut-atribut unik pada sebuah

objek. Atribut-atribut yang lebih rendah membentuk atribut lebih tinggi contohnya
atribut wajah dibentuk dari atribut mata, telinga, dan hidung. Atribut mata dibentuk
dari garis, lengkungan dan bintik hitam.

Filter
Convolutional layer dapat mengenali atribut pada objek menggunakan filter. Filter
hanyalah sebuah matriks yang berisi angka-angka. Pada gambar di bawah terdapat
3 buah filter masing-masing merupakan matriks 3x3 dan sebuah objek yaitu gambar
berisi huruf X. Filter yang berada di sebelah kiri digambarkan dapat mengenali garis
yang terdapat pada kotak hijau. Setiap filter berbeda dapat mengenali atribut yang
berbeda seperti, filter di kanan dapat mengenali atribut objek x yang berada di kotak
merah.
Contoh lain dari filter dapat Anda lihat di bawah. Pada sebuah gambar perempuan,
aplikasi dari filter yang berbeda menghasilkan gambar yang berbeda.

Kita dapat membedakan seekor kuda dan manusia berdasarkan bentuknya bukan?
Nah, dengan filter seperti pada gambar yang paling kanan, kita dapat mendeteksi
garis-garis yang bisa menunjukkan apakah seseorang merupakan kuda atau
manusia berdasarkan bentuk garisnya.

Proses Konvolusi
Proses konvolusi adalah proses yang mengaplikasikan filter pada gambar. Pada
proses konvolusi ada perkalian matriks terhadap filter dan area pada gambar. Pada
ilustrasi di bawah terdapat sebuah gambar, filter, dan hasil dari proses konvolusi
terhadap gambar. Animasi selanjutnya menunjukkan bagaimana proses konvolusi
pada ilustrasi sebelumnya dikerjakan.
Ketika proses konvolusi selesai, hasil dari konvolusi tersebut dapat dijadikan
masukan untuk sebuah MLP.

Max Pooling
Pada sebuah jaringan saraf tiruan, umumnya setelah proses konvolusi pada gambar
masukan, akan dilakukan proses pooling. Pooling adalah proses untuk mengurangi
resolusi gambar dengan tetap mempertahankan informasi pada gambar. Contohnya
seperti pada gambar berikut di mana ketika resolusi dikurangi sampai batas tertentu
kita masih bisa mendapatkan informasi mengenai objek pada gambar.
Salah satu contoh dari pooling adalah max pooling. Pada max pooling di antara
setiap area dengan luas piksel tertentu, akan diambil satu buah piksel dengan nilai
tertinggi. Hasilnya akan menjadi gambar baru. Animasi di bawah menunjukkan
contoh max pooling dengan ukuran 2x2 piksel pada gambar berukuran 4x4 piksel.
Hasil dari max pooling adalah gambar dengan ukuran 2x2 piksel.

Proses max pooling dipakai karena pada praktiknya, jumlah filter yang digunakan
pada proses konvolusi berjumlah banyak. Ketika kita menggunakan 64 filter pada
konvolusi maka akan menghasilkan 64 gambar baru. Max pooling membantu
mengurangi ukuran dari setiap gambar dari proses konvolusi.

Arsitektur Convolutional Neural Network

Arsitektur CNN adalah sebuah jaringan saraf yang menggunakan sebuah layar
konvolusi dan max pooling. Pada arsitektur CNN di bawah, sebuah gambar
masukan dideteksi atribut/fitur nya dengan menggunakan konvolusi 3 filter. Lalu
setelah proses konvolusi akan dilakukan max pooling yang menghasilkan 3 buah
gambar hasil konvolusi yang memiliki resolusi lebih kecil. Terakhir, hasil max pooling
dapat dimasukkan ke dalam sebuah hidden layer MLP.

Kita juga dapat menggunakan beberapa lapis konvolusi dan max pooling sebelum
mulai memasukkannya ke hidden layer sebuah MLP. Cara kerjanya sederhana. Kita
bisa melakukan proses konvolusi dan max pooling setelah lapisan max pooling
sebelumnya. Pada contoh di bawah terdapat 2 kali proses konvolusi dan max
pooling sebelum hasilnya dimasukkan ke dalam hidden layer.

Dengan beberapa lapis proses konvolusi, makin detail fitur yang dapat dikenali dari
gambar. Contohnya pada proses konvolusi pertama dapat mendeteksi wajah dari
seorang manusia. Lalu pada proses konvolusi kedua, wajah hasil konvolusi pertama
dapat dideteksi fitur yang lebih detail seperti hidung, mata, dan telinganya sehingga,
model makin pintar membedakan wajah setiap orang. Jika Anda ingin mengetahui
lebih detail mengenai CNN, Anda dapat mengunjungi tautan berikut yah.

Selamat! Sekarang Anda paham cara kerja CNN dan fungsinya dalam deteksi
gambar. Di modul berikutnya kita akan praktik mengembangkan sebuah model CNN
dengan TensorFlow.