☆ Simpan 5. Memahami Klasifikasi Gambar dan Convolutional Neural Network (CNN)

05/17/2026

Artikel ini membahas Image Classification mulai dari konsep dasarnya, alasan mengapa CNN muncul, cara Convolution dan Pooling mempelajari pola visual, hingga perkembangan arsitektur CNN dari LeNet sampai ResNet. Kita juga akan memahami teknik pelatihan seperti Data Augmentation dan Batch Normalization, serta membaca Feature Map dan CAM melalui penjelasan yang intuitif.

Daftar Isi

Apa Itu Image Classification — Bagaimana Komputer Membedakan Gambar
Mengapa CNN Dibutuhkan — Dari Metode Tradisional ke Deep Learning
Convolution Layer — Cara Filter Menemukan Pola pada Gambar
Pooling · ReLU · FC — Memadatkan Representasi dengan Menyimpan Informasi Penting
Evolusi CNN — Dari LeNet hingga ResNet
Belajar Lebih Baik — Data Augmentation dan Batch Normalization
Apa yang Dilihat Model — Visualisasi Feature Map dan CAM

Apa Itu Image Classification — Bagaimana Komputer Membedakan Gambar

Image Classification adalah tugas menentukan sebuah gambar termasuk ke dalam kelas tertentu. Manusia dapat mengenali “ini kucing” atau “ini mobil” secara intuitif, tetapi komputer menerima gambar sebagai susunan piksel yang semuanya berupa angka.

Gambar berukuran 248×400×3 pada dasarnya hanyalah kumpulan angka. Model harus belajar menemukan fitur mana yang benar-benar bermakna di antara angka-angka tersebut.

Pada tahap awal, metode seperti SIFT dan HOG digunakan bersama classifier seperti SVM dan k-NN. Namun, karena fitur masih dirancang secara manual oleh manusia, pendekatan ini sulit menangkap pola visual yang kompleks. Dari keterbatasan inilah CNN muncul sebagai model yang mampu mempelajari fitur langsung dari data.

Mengapa CNN Dibutuhkan — Dari Metode Tradisional ke Deep Learning

CNN (Convolutional Neural Network) adalah neural network yang dirancang untuk memproses data dengan struktur spasial, seperti gambar. Terinspirasi dari hierarki visual cortex, CNN belajar secara bertahap dari fitur sederhana menuju representasi visual yang lebih kompleks.

MLP harus menghubungkan semua piksel secara fully connected, sehingga jumlah parameter dapat meningkat sangat besar. Sebaliknya, CNN bekerja lebih efisien melalui:

Local Connectivity — hanya melihat area lokal yang berdekatan
Parameter Sharing — menggunakan filter yang sama di banyak posisi gambar

Dengan cara ini, CNN dapat mempelajari pola visual secara efisien tanpa melakukan komputasi yang tidak perlu.

Convolution Layer — Cara Filter Menemukan Pola pada Gambar

Convolution Layer menggunakan filter kecil atau kernel yang bergerak di atas gambar, lalu melakukan operasi perkalian dan penjumlahan untuk menghasilkan Feature Map. Satu filter menghasilkan satu Feature Map, dan setiap filter merespons pola visual yang berbeda.

Misalnya:

sebuah filter dapat merespons kuat terhadap garis horizontal, garis vertikal, atau kontur
filter lain dapat lebih peka terhadap tekstur·edge·atau sudut objek

Proses ini mirip seperti mengamati gambar dengan beberapa jenis kaca pembesar yang masing-masing menonjolkan detail berbeda.

Stride menentukan jarak perpindahan filter, sedangkan Padding menentukan apakah informasi di tepi gambar tetap dipertahankan. Keduanya memengaruhi ukuran output dan jumlah komputasi.

Pooling · ReLU · FC — Memadatkan Representasi dengan Menyimpan Informasi Penting

ReLU memotong nilai negatif sehingga aliran sinyal menjadi lebih sederhana dan pelatihan deep network menjadi lebih stabil.

Pooling Layer menyisakan fitur penting dan membuat model tidak terlalu sensitif terhadap pergeseran posisi kecil. Efeknya seperti melihat foto dari jarak yang sedikit lebih jauh.

Fully Connected (FC) Layer menggabungkan fitur-fitur yang telah diekstraksi sebelumnya untuk membuat keputusan akhir tentang kelas gambar.

Evolusi CNN — Dari LeNet hingga ResNet

Perkembangan arsitektur CNN dapat dipahami sebagai perjalanan untuk membangun representasi yang lebih baik dan melatih jaringan yang semakin dalam.

LeNet — CNN awal yang digunakan untuk pengenalan angka tulisan tangan dan membuktikan potensi CNN.
AlexNet — memperkenalkan ReLU, Dropout, dan pelatihan paralel berbasis GPU sehingga performa deep learning meningkat tajam.
VGG — menggunakan Convolution 3×3 secara berulang untuk membangun jaringan yang sederhana tetapi kuat.
GoogLeNet (Inception) — menerapkan filter dengan berbagai ukuran secara bersamaan untuk memperoleh efisiensi dan variasi representasi.
ResNet — memungkinkan pelatihan jaringan yang sangat dalam melalui Residual Connection. Skip Connection bekerja seperti jembatan yang menjaga aliran informasi tetap lancar.

Dengan kata lain, CNN berkembang ke arah “membuat jaringan lebih dalam, tetapi tetap mudah dilatih”.

Belajar Lebih Baik — Data Augmentation dan Batch Normalization

Data Augmentation menerapkan rotasi·crop·flip·dan perubahan warna agar model terbiasa menghadapi variasi yang mungkin muncul di dunia nyata. Teknik ini membantu mengurangi overfitting.

Data Preprocessing seperti Zero-centering → Normalization → Whitening membantu merapikan skala dan distribusi fitur, sehingga proses training menjadi lebih stabil.

Batch Normalization mengurangi perubahan distribusi input pada setiap layer, mempercepat training, dan membuat deep network lebih mudah dilatih.

Apa yang Dilihat Model — Visualisasi Feature Map dan CAM

Feature Map menunjukkan bagian gambar yang dikenali filter sebagai pola penting.

Beberapa Feature Map tampak seperti sketsa yang menonjolkan kontur
Feature Map lain dapat lebih menonjolkan tekstur atau bayangan

Ini seperti mengamati gambar dengan lensa yang berbeda-beda.

Class Activation Map (CAM) menyoroti area gambar yang paling diperhatikan model saat membuat keputusan akhir.

Jika area wajah kucing terlihat merah, model kemungkinan besar mengambil keputusan berdasarkan informasi wajah
Jika latar belakang justru disorot, itu dapat menjadi tanda bahwa model memperhatikan area yang tidak diinginkan

CAM tidak hanya membantu memeriksa apakah prediksi benar atau salah, tetapi juga penting untuk memahami alasan di balik keputusan model dan mengevaluasi kepercayaannya.

※ Artikel ini merupakan rangkuman yang disusun dan diolah kembali secara mandiri berdasarkan materi perkuliahan Prof. Sungroh Yoon di Seoul National University.

Bacaan prasyarat yang direkomendasikan (3/5)

Bacaan lanjutan yang direkomendasikan (5/19)