Convolutional Neural Network (CNN) telah mengubah lanskap pengolahan citra dan tugas-tugas pengenalan pola dengan kemampuan yang luar biasa dalam memahami fitur-fitur visual kompleks. Salah satu tonggak penting dalam perkembangan CNN adalah arsitektur AlexNet. Dalam artikel ini, kita akan membahas tentang arsitektur AlexNet, bagaimana ia bekerja, dan dampaknya terhadap perkembangan dunia deep learning.

AlexNet, yang dinamai berdasarkan peneliti Alex Krizhevsky, bersama dengan Geoffrey Hinton dan Ilya Sutskever, memenangkan kompetisi ILSVRC (ImageNet Large Scale Visual Recognition Challenge) tahun 2012 dengan perbedaan yang mencolok. Ini merupakan momen penting dalam sejarah deep learning karena menunjukkan bahwa arsitektur CNN yang dalam bisa digunakan untuk tugas-tugas pengenalan citra kompleks.

Arsitektur AlexNet

Arsitektur AlexNet memiliki beberapa ciri khas yang menjadikannya terdepan pada masanya:

1. Struktur Layer Tumpang Tindih: AlexNet terdiri dari 5 lapisan konvolusi (convolutional layers) dan 3 lapisan fully connected (FC layers), yang membentuk total 8 lapisan utama. Dalam struktur ini, konvolusi dan pengecilan resolusi (subsampling) dilakukan secara bergantian untuk mengambil fitur-fitur berbeda dalam citra.
2. ReLu Activation dan Normalisasi Batch: AlexNet menggunakan fungsi aktivasi ReLu (Rectified Linear Unit) yang membantu dalam menghindari masalah gradien yang menghilang. Selain itu, lapisan normalisasi batch digunakan untuk mengurangi overfitting dan mempercepat konvergensi.
3. Pengecilan Resolusi Melalui Max-Pooling: Lapisan max-pooling digunakan untuk mereduksi resolusi spasial dari fitur-fitur yang dihasilkan oleh konvolusi. Ini membantu dalam mengurangi jumlah parameter dan waktu komputasi.
4. Data Augmentation: Untuk mengatasi masalah overfitting, AlexNet memanfaatkan data augmentation dengan mengubah sedikit citra latih seperti rotasi, pergeseran, dan pemutaran citra.

Kontribusi dan Dampak

Arsitektur AlexNet memicu lonjakan minat dalam penggunaan CNN dan deep learning secara umum dalam pengolahan citra. Kemenangannya dalam ILSVRC 2012 mengonfirmasi kemampuan CNN dalam mengatasi tugas-tugas pengenalan objek kompleks pada skala besar. Prestasi ini juga membantu mempercepat penelitian lebih lanjut dalam bidang deep learning dan menjadi titik awal bagi pengembangan arsitektur-arsitektur CNN yang lebih canggih dan kompleks.

Arsitektur AlexNet adalah tonggak dalam perkembangan deep learning dan CNN, menggugah minat dalam penggunaan neural network dalam pengolahan citra. Dengan struktur yang canggih dan inovatif, AlexNet membuktikan bahwa neural network dalam bentuk CNN mampu mengatasi tugas-tugas pengenalan objek yang sangat kompleks. Peningkatan performa yang drastis dalam ILSVRC 2012 mengilhami pengembangan lebih lanjut dalam bidang ini, membuka jalan bagi arsitektur-arsitektur CNN yang lebih canggih dan aplikasi yang lebih luas dalam komputer vision.

Pemrograman Alexnet

Berikut adalah langkah-langkah umum dalam melakukan transfer learning dengan AlexNet menggunakan MATLAB:

1. Pra-persiapan:
   • Pastikan Anda memiliki dataset baru yang sesuai dengan tugas klasifikasi yang ingin Anda lakukan.
   • Direkomendasikan untuk mengatur struktur folder yang memisahkan gambar-gambar untuk setiap kelas dalam dataset.
2. Import dan Praproses Data:
   • Gunakan fungsi imageDatastore untuk mengimpor dataset gambar.
   • Lakukan praproses seperti resizing, augmentasi data, dan normalisasi.
3. Load Pre-trained AlexNet:
   • Gunakan fungsi alexnet untuk memuat model AlexNet yang telah dipre-trained.
   • Model yang dimuat ini akan memiliki arsitektur dan bobot yang telah di-training pada ImageNet.
4. Modifikasi Lapisan Akhir:
   • Anda perlu mengganti lapisan akhir (fully connected layers) yang awalnya disesuaikan dengan kelas-kelas di ImageNet dengan jumlah kelas di dataset Anda.
   • Anda dapat menggunakan fungsi layerGraph untuk mengganti lapisan akhir model AlexNet dengan lapisan baru yang sesuai dengan tugas Anda.
5. Transfer Learning:
   • Lakukan proses training ulang hanya pada lapisan-lapisan yang baru Anda tambahkan (biasanya lapisan fully connected terakhir).
   • Gunakan fungsi trainingOptions untuk mengatur opsi training seperti jumlah epoch, learning rate, dan batch size.
6. Training:
   • Gunakan fungsi trainNetwork untuk melatih model yang telah Anda sesuaikan dengan dataset baru.
   • MATLAB akan melatih model menggunakan dataset baru dan meng-update bobot pada lapisan yang ditentukan.
7. Evaluasi:
   • Setelah training selesai, gunakan model yang telah dilatih untuk melakukan klasifikasi pada data validasi atau pengujian.
   • Evaluasi performa model menggunakan metrik seperti akurasi, presisi, recall, dan F1-score.
8. Prediksi:
   • Setelah model dilatih, Anda dapat menggunakan model untuk membuat prediksi pada data baru.

Contoh penerapan Convolutional Neural Network (CNN) dengan arsitektur Alexnet menggunakan MATLAB dapat dilihat pada video berikut ini: