Memahami model CNN pada computer vision

 Convolutional Neural Network (CNN) adalah jenis algoritma deep learning yang dirancang khusus untuk memproses data berbentuk grid dua dimensi, seperti gambar.

Jika jaringan saraf tiruan biasa (Artificial Neural Network) membaca gambar dengan meratakan seluruh piksel menjadi satu baris panjang (yang merusak informasi tata letak spasial), CNN memindai gambar sepotong demi sepotong. Hal ini memungkinkan model untuk mengenali pola visual seperti garis, kurva, tekstur, hingga bentuk objek yang kompleks.

contoh prediksi gambar menggunakan CNN

Key insight: Kekuatan utama CNN terletak pada kemampuannya mengekstrak fitur secara otomatis. Anda tidak perlu memprogram secara manual bagaimana bentuk "telinga kucing" itu; CNN akan memelajarinya sendiri melalui proses training.

Tiga Komponen Utama CNN

Arsitektur CNN pada dasarnya dibangun dari tiga jenis lapisan (layer) yang disusun secara berurutan:

1. Convolutional Layer (Lapisan Konvolusi) Ini adalah inti dari CNN. Lapisan ini menggunakan filter (atau kernel) berupa matriks kecil yang digeser (sliding) di seluruh area gambar. Setiap kali bergeser, filter melakukan operasi matematika (perkalian titik) untuk mendeteksi fitur tertentu.

   • Layer awal biasanya mendeteksi fitur sederhana seperti garis tepi (edges) atau warna.

   • Layer yang lebih dalam menggabungkan garis-garis tersebut untuk mendeteksi bentuk yang lebih kompleks seperti mata, roda, atau tekstur daun.

2. Pooling Layer (Lapisan Subsampling) Setelah fitur diekstrak oleh lapisan konvolusi, ukuran datanya biasanya sangat besar. Pooling layer bertugas menyusutkan dimensi spasial (lebar dan tinggi) dari data tersebut tanpa menghilangkan informasi pentingnya. Metode yang paling umum adalah Max Pooling, yaitu hanya mengambil nilai piksel terbesar dari sekumpulan area kecil. Ini membuat komputasi lebih ringan dan model lebih kebal terhadap pergeseran posisi objek dalam gambar.

3. Fully Connected Layer (Lapisan Klasifikasi) Setelah gambar melewati beberapa lapis Konvolusi dan Pooling, fitur tingkat tinggi yang dihasilkan akan "diratakan" (flattened) menjadi vektor satu dimensi. Vektor ini kemudian dimasukkan ke dalam jaringan saraf tiruan standar (Fully Connected Layer). Lapisan ini bertugas menyimpulkan semua fitur yang telah ditemukan untuk menghasilkan tebakan akhir (misalnya: 80% Kucing, 20% Anjing).