Cara Kerja Filter CNN: Panduan Lengkap & Visualisasi

Convolutional Neural Networks (CNN) telah merevolusi dunia computer vision, memungkinkan komputer untuk “melihat” dan memahami gambar dengan cara yang sebelumnya tidak terbayangkan. Di balik kehebatan CNN, terdapat sebuah konsep kunci yang menjadi fondasi dari kemampuannya dalam memproses gambar yaitu filter atau kernel. Memahami filter/kernel sangat penting untuk mengerti bagaimana CNN bekerja dan mengapa mereka begitu efektif dalam tugas-tugas seperti klasifikasi gambar, deteksi objek, dan segmentasi gambar.

Apa Itu Filter/Kernel?

Dalam konteks Convolutional Neural Networks (CNN), filter atau kernel (sering digunakan secara bergantian) adalah matriks kecil berisi angka-angka yang disebut bobot. Angka-angka ini adalah parameter yang dipelajari oleh jaringan selama proses pelatihan. Bayangkan filter sebagai “jendela” kecil yang menjelajahi gambar, mencari pola-pola tertentu. Setiap filter dirancang untuk mendeteksi fitur spesifik, seperti tepi, sudut, atau tekstur tertentu.

Cara Kerja Filter CNN

Proses bagaimana filter bekerja dalam CNN disebut konvolusi. Berikut ini adalah penjelasan langkah demi langkah bagaimana proses konvolusi bekerja:

1. Posisi Awal: Filter ditempatkan di sudut kiri atas gambar input.
2. Perkalian Element-wise: Filter melakukan operasi perkalian element-wise dengan bagian gambar yang tertutup olehnya. Artinya, setiap angka dalam filter dikalikan dengan angka yang sesuai pada pixel gambar di bawahnya.
3. Penjumlahan: Semua hasil perkalian element-wise tersebut kemudian dijumlahkan.
4. Hasil Feature Map: Hasil penjumlahan ini menjadi satu nilai dalam feature map. Feature map adalah representasi dari fitur yang terdeteksi oleh filter pada bagian gambar tersebut.
5. Pergeseran Filter (Stride): Filter kemudian digeser ke kanan atau ke bawah (tergantung pada nilai stride yang ditentukan). Stride menentukan seberapa banyak filter bergeser setiap langkahnya.
6. Iterasi: Langkah 2-5 diulangi hingga filter menjelajahi seluruh bagian gambar input.

Dengan cara ini, filter mendeteksi fitur-fitur tertentu di seluruh gambar. Misalnya, filter deteksi tepi vertikal akan menghasilkan nilai tinggi pada feature map ketika mendeteksi tepi vertikal pada gambar input. Hasil dari proses konvolusi ini, yaitu feature map, kemudian diteruskan ke lapisan-lapisan CNN berikutnya untuk pemrosesan lebih lanjut.

Baca juga: Panduan Lengkap Convolutional Neural Networks (CNN) untuk Pemula

Jenis-jenis Filter dan Efeknya

Ada berbagai jenis filter yang umum digunakan dalam CNN, masing-masing dengan efek visual yang berbeda. Beberapa contohnya meliputi:

• Filter Deteksi Tepi (Edge Detection): Filter ini dirancang untuk mendeteksi tepi dalam gambar. Contohnya termasuk filter Sobel, Scharr, dan filter deteksi tepi horizontal atau vertikal. Filter deteksi tepi menghasilkan feature map yang menyoroti garis-garis tepi pada gambar.
• Filter Pengaburan (Blurring): Filter ini digunakan untuk menghaluskan gambar dan mengurangi noise. Contohnya termasuk Gaussian blur dan average blur. Feature map yang dihasilkan akan tampak lebih kabur dibandingkan gambar aslinya.
• Filter Penajaman (Sharpening): Filter ini digunakan untuk menajamkan detail gambar. Contohnya adalah unsharp masking. Feature map yang dihasilkan akan menonjolkan tepi dan detail halus pada gambar.

Dalam CNN, seringkali digunakan filter bank, yaitu kumpulan beberapa filter yang berbeda dalam satu lapisan konvolusi. Setiap filter dalam filter bank akan mendeteksi fitur yang berbeda, sehingga menghasilkan feature map yang beragam.

Ukuran Filter, Stride, dan Padding

• Ukuran Filter (Filter Size): Ukuran filter menentukan seberapa besar area gambar yang “dilihat” oleh filter dalam satu waktu. Ukuran filter yang umum digunakan adalah 3×3, 5×5, atau 7×7. Filter yang lebih kecil cenderung mendeteksi fitur-fitur yang lebih detail, sedangkan filter yang lebih besar mendeteksi fitur yang lebih umum (area yang lebih luas/ receptive field).
• Stride: Stride menentukan seberapa banyak filter bergeser setiap langkahnya. Stride yang lebih besar akan menghasilkan feature map yang lebih kecil (karena filter melompati lebih banyak pixel). Sebaliknya, stride yang lebih kecil menghasilkan feature map yang lebih besar.
• Padding: Padding adalah teknik menambahkan pixel tambahan di sekeliling tepi gambar input. Tujuan utama padding adalah untuk mempertahankan ukuran feature map dan mencegah hilangnya informasi di tepi gambar. Ada beberapa jenis padding, termasuk zero-padding (menambahkan pixel bernilai 0), valid padding (tidak ada padding), dan same padding (menambahkan padding sehingga ukuran feature map sama dengan ukuran gambar input).

Baca juga: Pooling Layer CNN Pengertian, Fungsi, dan Jenisnya

Contoh Aplikasi Filter dalam CNN

Filter CNN memiliki aplikasi yang luas dalam berbagai bidang, termasuk:

• Klasifikasi Gambar: Mengidentifikasi objek apa yang ada dalam gambar (misalnya, membedakan antara kucing dan anjing). Filter membantu mengekstraksi fitur-fitur visual yang membedakan objek-objek tersebut.
• Deteksi Objek: Menemukan lokasi objek tertentu dalam gambar dan menandainya dengan kotak pembatas (misalnya, mendeteksi wajah dalam foto). Filter membantu menemukan pola-pola visual yang menunjukkan keberadaan objek.

Baca juga: Deteksi Objek dengan YOLO: Panduan Lengkap Arsitektur & Implementasi

• Segmentasi Semantik: Memetakan setiap pixel dalam gambar ke kelas objek tertentu (misalnya, memisahkan jalan, bangunan, dan langit). Filter membantu mengidentifikasi fitur-fitur yang mengelompokkan pixel ke dalam kelas yang sama.
• Pengenalan Wajah: Mengidentifikasi atau memverifikasi identitas seseorang berdasarkan gambar wajah. Filter digunakan untuk mengekstraksi fitur-fitur wajah yang unik, seperti bentuk mata, hidung, dan mulut.

Kesimpulan

Filter, atau kernel, adalah komponen fundamental dalam Convolutional Neural Networks (CNN). Filter memungkinkan CNN untuk mengekstraksi fitur-fitur penting dari gambar, seperti tepi, sudut, dan tekstur. Dengan memahami cara kerja filter, jenis-jenis filter, serta parameter seperti ukuran filter, stride, dan padding, kita dapat lebih memahami bagaimana CNN mampu melakukan tugas-tugas computer vision yang kompleks.

Kirim.ai hadir sebagai solusi digital berbasis AI yang dirancang untuk memberdayakan bisnis Anda. Kami menyediakan platform SaaS dengan berbagai alat AI, termasuk yang terkait dengan pemrosesan gambar, serta AI Agent untuk optimasi SEO yang berkelanjutan. Jika Anda membutuhkan solusi untuk mengembangkan aplikasi seluler (iOS & Android), website, atau strategi pemasaran digital, Kirim.ai siap membantu. Pelajari lebih lanjut bagaimana kami dapat membantu Anda mencapai tujuan bisnis Anda.