PENGARUH AUGMENTASI DATA TERHADAP UNJUK KERJA MODEL PENDETEKSI WAJAH MENGGUNAKAN CNN
Abstract
Kecerdasan buatan saat ini menjadi sangat penting dalam membantu tugas-tugas manusia. Salah satu implementasi kecerdasan buatan adalah menggunakan Deep Learning. Penerapannya salah satunya adalah dalam mendeteksi masker wajah secara otomatis. Dalam Deep learning, pendeteksian masker wajah dilakukan dengan mengenali pola-pola wajah yang memakai masker dan tidak memakai masker melalui pembelajaran yang sangat komplek pada lapisan-lapisan jaringan syaraf tiruan. Untuk mendukung kompleksitas tersebut, diperlukan dataset yang cukup besar. Kendala yang umum ditemui adalah kurangnya dataset karena berbagai macam penyebab. Penelitian ini mencoba menganalisa penambahan proses augmentasi secara langsung data pada proses pembelajaran dataset untuk meningkatkan unjuk kerja model CNN yang di bangun melalui framework Keras. dari percobaan diperoleh hasil augmentasi meningkatkan aspek generalisasi system, yaitu kemampuan model dalam menerima data baru dengan akurasi yang lebih baik. Namun disisi lain penerapan augmentasi data menyebabkan meningkatnya durasi proses pembelajaran dan terdapat sedikit penurunan akurasi
Kata Kunci: Data Augmentation, Deep Learning, Masker, Deteksi, Kecerdasan BuatanReferences
Alzubaidi, L. Z. (2021). Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data, 53.
Aquino, M. R. (2017). The Effect of Data Augmentation on the Performance of Convolutional Neural. Brazilian Society of Computational Intelligence. Niterói, Rio de Janeiro.
Chollet, F. (2018). Deep Learning with Python. New York: Manning Publication Co.
Dewantara, D. S., Hidayat, R., Susanto , H., & Aniaty, A. M. (2020). CNN with Multi Stage Image Data Augmentation Methods for Indonesia Rare and Protected Orchids Classification. International Conference on Computer Science and Its Application in Agriculture (ICOSICA).
Fadillah, R. Z., Irawan, A., & Susanty, M. (2021). Data Augmentasi Untuk Mengatasi Keterbatasan Data Pada Model Penerjemah Bahasa Isyarat Indonesia (BISINDO) . JURNAL INFORMATIKA, 208-214.
Gandhi, A. (2021). Data Augmentation - How to use Deep Learning when you have Limited Data. Retrieved from https://nanonets.com/blog/data-augmentation-how-to-use-deep-learning-when-you-have-limited-data-part-2/#popular-augmentation-techniques
Hadiprakoso, R. B., & Qomariasih, N. (2019). DETEKSI MASKER WAJAH MENGGUNAKAN DEEP TRANSFER LEARNING DAN AUGMENTASI GAMBAR. JIKO (Jurnal Informatika dan Komputer) , 12-18.
Keras. (2020, 10 2). Keras. Retrieved from Introduction to Keras for Researchers: https://keras.io/getting_started/intro_to_keras_for_researchers/#keras-layers
Research, B. A. (2023). Caffe Deep Learning Framework. Retrieved from Caffe Tutorial: https://caffe.berkeleyvision.org/tutorial/
Sarker, I. H. (2021, Agustus). Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN COMPUT, 420.
Sutoyo, T., Mulyanto, E., & Suhartono, V. (2021). Teori Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.
WHO. (2020, Juni). Anjuran mengenai penggunaan masker dalam konteks. Retrieved from https://www.who.int/docs/default-source/searo/indonesia/covid19/anjuran-mengenai-penggunaan-masker-dalam-konteks-covid-19-june-20.pdf
