🐶JS14 - Convolutional Neural Network

Pengantar

Convolutional Neural Network (CNN) adalah jenis jaringan syaraf tiruan yang sangat banyak digunakan untuk mengolah data visual seperti gambar dan video. CNN dirancang agar mampu mengenali pola‐pola penting pada citra, misalnya tepi, tekstur, bentuk, hingga objek yang lebih kompleks. Keunggulan CNN dibandingkan ANN biasa adalah kemampuannya menangkap fitur secara otomatis melalui proses konvolusi, sehingga tidak perlu lagi melakukan ekstraksi fitur secara manual.

Dalam modul ini, mahasiswa akan belajar bagaimana CNN memproses citra lapis demi lapis, dari fitur yang sangat sederhana hingga pola visual yang lebih rumit. Praktikum juga akan menunjukkan bagaimana CNN dibangun menggunakan library deep learning modern, mulai dari menyiapkan dataset, melakukan augmentation sederhana, membangun arsitektur CNN dasar, melatih model, hingga mengevaluasi performanya. Fokus modul ini adalah klasifikasi citra, sehingga mahasiswa tidak hanya memahami konsep CNN, tetapi juga melihat bagaimana model mampu membedakan kelas gambar secara otomatis.

Modul ini menjadi landasan penting sebelum mahasiswa mempelajari arsitektur CNN yang lebih dalam seperti VGG, ResNet, atau MobileNet. Dengan memahami cara kerja CNN dasar, mahasiswa dapat lebih mudah memahami model-model vision modern yang digunakan dalam berbagai aplikasi komputer seperti deteksi objek, pengenalan wajah, maupun sistem inspeksi otomatis.

Tujuan

Setelah menyelesaikan modul ini, mahasiswa diharapkan mampu:

1. Menjelaskan konsep dasar CNN dan perbedaan utamanya dengan ANN biasa.

2. Memahami fungsi lapisan-lapisan CNN seperti convolution, activation, pooling, dan fully connected.

3. Menyiapkan dataset citra agar siap digunakan untuk melatih model CNN.

4. Membangun arsitektur CNN sederhana menggunakan pustaka deep learning.

5. Melatih dan mengevaluasi model CNN untuk tugas klasifikasi citra.

6. Menginterpretasikan hasil pelatihan melalui metrik akurasi, loss, dan visualisasi proses training.

7. Melakukan perbaikan sederhana pada model melalui penyesuaian arsitektur atau hyperparameter.