Deep Learning for Image Classification

Abstract

Klasifikasi citra merupakan tugas fundamental dalam computer vision dengan aplikasi pada pengenalan objek, inspeksi kualitas, dan diagnosis berbasis citra. Paper ini mengusulkan pendekatan deep learning berbasis Convolutional Neural Network (CNN) untuk meningkatkan akurasi klasifikasi pada dataset citra beranotasi. Arsitektur yang digunakan memadukan ekstraksi fitur bertingkat, regularisasi melalui dropout, serta augmentasi data untuk mengurangi overfitting. Evaluasi dilakukan menggunakan skema pembagian data pelatihan dan pengujian serta metrik akurasi, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa model yang diusulkan mampu memberikan performa yang stabil pada berbagai variasi kondisi citra seperti perubahan pencahayaan dan sudut pandang, serta mengungguli baseline model tradisional berbasis fitur handcrafted. Temuan ini mengindikasikan bahwa CNN dengan strategi pelatihan yang tepat dapat menjadi solusi efektif untuk klasifikasi citra skala menengah hingga besar.