PR Sebelum Machine Learning : Mengolah Data Itu Butuh Waktu!!

Nama Penulis : Daffa Hasan Fikri
Program Studi : Teknik Robotika dan Kecerdasan Buatan

Kecerdasan Buatan dan Peran Deep Learning
Perkembangan teknologi digital telah mendorong kemajuan pesat di bidang kecerdasan buatan atau Artificial Intelligence (AI). Salah satu cabangnya adalah deep learning, pendekatan lanjutan dari machine learning yang menggunakan jaringan saraf tiruan (Artificial Neural Network/ANN) dengan banyak lapisan. Tujuannya agar mesin dapat mengenali pola dan membuat keputusan secara otomatis, meniru cara kerja sistem saraf manusia (Hendri, 2014).

Mengenal Arsitektur CNN dalam Deep Learning
Dalam praktik deep learning, terdapat berbagai arsitektur model. Salah satu yang saya gunakan selama Praktik Kerja Lapangan (PKL) adalah Convolutional Neural Network (CNN). CNN menggabungkan proses konvolusi pada citra untuk mengekstraksi fitur visual, dan jaringan saraf tiruan untuk melakukan klasifikasi. Secara umum, CNN terdiri atas empat lapisan utama: konvolusi, aktivasi ReLU, subsampling, dan fully connected layer (Otomasi et al., 2023).

Tantangan Utama: Bukan Model, Tapi Datanya
Pengalaman saya menunjukkan bahwa tantangan terbesar bukan pada pembuatan model CNN itu sendiri, melainkan pada pengolahan data sebelum pelatihan. Saat mengerjakan proyek klasifikasi gambar, saya sempat mengira merancang arsitektur CNN adalah bagian tersulit. Namun, ternyata proses membersihkan dan menyiapkan data memerlukan waktu dan perhatian yang jauh lebih besar.

Merapikan dan Menyusun Data Mentah
Dataset yang saya gunakan berasal dari data geospasial, berupa angka dan informasi koordinat dari fenomena tertentu di suatu wilayah. Data mentah ini tidak bisa langsung digunakan. Saya terlebih dahulu melakukan proses pembersihan seperti menghapus nilai kosong dan memilih informasi relevan. Setelah data siap, saya melakukan sampling titik-titik koordinat secara berkala. Hasilnya kemudian saya plot hingga membentuk citra yang merepresentasikan kondisi di lapangan. Citra-citra ini kemudian diproses lebih lanjut melalui normalisasi piksel dan penyesuaian ukuran gambar agar sesuai dengan input model CNN.

Augmentasi untuk Meningkatkan Variasi Data
Setelah preprocessing selesai, saya menerapkan data augmentation guna meningkatkan jumlah dan variasi citra, serta menyeimbangkan distribusi data antar kelas. Teknik yang saya gunakan antara lain pembalikan gambar secara horizontal, vertikal, dan kombinasi keduanya (flip both). Langkah ini penting agar model tidak hanya mampu mengenali pola dari satu arah tampilan, tetapi juga dari berbagai sudut. Dengan demikian, performa CNN menjadi lebih stabil dan risiko overfitting dapat dikurangi.

Kesimpulan: Data Adalah Pondasi Keberhasilan Model
Dari seluruh pengalaman tersebut, saya menyadari bahwa membangun arsitektur model deep learning hanyalah satu bagian dari proses besar. Justru, tahap pembersihan, penyusunan, dan penguatan data melalui teknik augmentasi menjadi fondasi yang sangat menentukan keberhasilan pelatihan model CNN. Semakin baik kualitas dan keragaman data, semakin tinggi pula peluang keberhasilan model dalam menghasilkan prediksi yang akurat dan andal.

Daftar Pustaka:
Hendri, H. (2014). Character Recognition Dengan Menggunakan Jaringan Syaraf Tiruan. Jurnal TIMES, 3(2), 1--5. https://doi.org/10.51351/JTM.3.2.201417

Otomasi, T., Teknik, F., Kapal, K., Perkapalan, P., & Surabaya, N. (2023). Analisis Performa Berbagai Arsitektur Convolutional Neural Network (CNN) terhadap Ketepatan Deteksi Cacat pada Kemasan Snack Box. Journal of Advances in Information and Industrial Technology, 5(1), 31--42. https://doi.org/10.52435/JAIIT.V5I1.377