AUGMENTASI DATA MENGGUNAKAN DCGAN  PADA GAMBAR TANAH

PATMAWATI PATMAWATI; Andi Sunyoto; Emha Taufiq Luthfi

doi:10.46764/teknimedia.v4i1.100

PATMAWATI PATMAWATI Universitas Amikom Yogyakarta
Andi Sunyoto Universitas Amikom Yogyakarta
Emha Taufiq Luthfi Universitas Amikom Yogyakarta

DOI: https://doi.org/10.46764/teknimedia.v4i1.100

Kata Kunci: Deep Convolutional Generative Adversarial Networks (DCGAN), Latent space dimension, Fr´echet Inception Distance (FID), Gambar sintesis

Abstrak

Beberapa penelitian terkait klasifikasi jenis tanah telah dibanyak dilakukan. Namun, masing-masing penelitian tersebut menggunakan dataset yang berbeda. Hanya sebagian kecil peneliti yang membagikan dataset citra tanah secara public. Selain itu, dataset yang dipublish memiliki ketidakseimbangan jumlah data pada setiap kelasnya yang akan menghasilkan performa model yang buruk atau over fit, khususnya deep learning. Dengan augmentation data, variasi data baru dapat terbentuk sehingga dapat menangani masa-lah keterbatasan jumlah dataset. Salah satu model augmentasi modern DCGAN yang merupakan perkebangan dari GAN. DCGAN dianggap model yang baik dalam meningkatkan stabilitas pelatihan GAN dan kualitas hasil citra . Citra sintesis yang dihasilkan merupakan hasil pemetaan latent vector yang teracak yang berada pada ruang latent n- dimensi. Transformasi gambar yang bermakna dihasilkan dari latent vector melalui operasi aritmatika dalam latent space dimension. Ukuran latent space dimension sangat penting dalam memungkinkan rekonstruksi data pelatihan yang akurat. Untuk menguji efek dimensi ruang laten pada citra digunakan evaluasi Fre'chet Inception Distance (FID). Didapatkan hasil penelitian sebagai berikut, untuk kualitas citra terbaik pada kategori alluvial soil menggunakan latent space dimension 10 dengan score FID = 322.0 . Untuk kategori clay soil, kualitas citra terbaik dihasilkan menggunakan latent space dimension 100 dengan score FID = 332.84 dan 512 dengan score FID = 322.08. Pada ketegori black soil, penggunaan latent space dimension terbaik adalah 128 dengan score FID = 360.80. Dan untuk red soil kualitas citra terbagus dihasilkan dengan penggunaan latent space 512 yang memiliki score FID = 256.67

Referensi

[1] M. G. Lanjewar and O. L. Gurav, “Convolutional Neural Networks based classifications of soil images,” Multimed. Tools Appl., vol. 81, no. 7, pp. 10313–10336, 2022, doi: 10.1007/s11042-022-12200-y.
[2] R. Thakur, “Recent Trends Of Machine Learning In Soil Classification : A Review,” no. November, pp. 25–32, 2018.
[3] U. Barman and R. D. Choudhury, “Soil texture classification using multi class support vector machine,” Inf. Process. Agric., vol. 7, no. 2, pp. 318–332, 2020, doi: 10.1016/j.inpa.2019.08.001.
[4] B. Bhattacharya and D. P. Solomatine, “Machine learning in soil classification,” Neural Networks, vol. 19, no. 2, pp. 186–195, 2006, doi: 10.1016/j.neunet.2006.01.005.
[5] X. Ying, “An Overview of Overfitting and its Solutions,” J. Phys. Conf. Ser., vol. 1168, no. 2, 2019, doi: 10.1088/1742-6596/1168/2/022022.
[6] I. Marin, S. Gotovac, M. Russo, and D. Božić-Štulić, “The effect of latent space dimension on the quality of synthesized human face images,” J. Commun. Softw. Syst., vol. 17, no. 2, pp. 124–133, 2021, doi: 10.24138/jcomss-2021-0035.
[7] A. Radford, L. Metz, and S. Chintala, “Unsupervised representation learning with deep convolutional generative adversarial networks,” 4th Int. Conf. Learn. Represent. ICLR 2016 - Conf. Track Proc., pp. 1–16, 2016.
[8] K. M. N. and M. Hwang, “Finding the best k for the dimension of the latent space in autoencoders,” in International Conference on Computational Collective Intelligence, 2020, pp. 453–464. doi: 10.1007/978-3-030-63007-2 35.
[9] M. Of, T. H. E. Latent, S. On, T. O. Fit, T. H. E. Distribution, and T. H. E. A. Of, “Impact of the latent space on the ability of GANs to fit the distribution,” no. 2014, pp. 1–13, 2020.
[10] M. Heusel, H. Ramsauer, T. Unterthiner, B. Nessler, and S. Hochreiter, “GANs trained by a two time-scale update rule converge to a local Nash equilibrium,” Adv. Neural Inf. Process. Syst., vol. 2017-Decem, no. Nips, pp. 6627–6638, 2017.
[11] E. Secada Purba, “IMPLEMENTATION OF GENERATIVE ADVERSARIAL NETWORKS FOR CREATING DIGITAL ARTWORK IN THE FORM OF ABSTRACT IMAGES.”
[12] B. Liu, J. Lv, X. Fan, J. Luo, and T. Zou, “Application of an Improved DCGAN for Image Generation,” Mob. Inf. Syst., vol. 2022, 2022, doi: 10.1155/2022/9005552.
[13] A. Borji, “Pros and cons of GAN evaluation measures,” Comput. Vis. Image Underst., vol. 179, pp. 41–65, 2019, doi: 10.1016/j.cviu.2018.10.009.
[14] S. K. Venu and S. Ravula, “Evaluation of deep convolutional generative adversarial networks for data augmentation of chest x-ray images,” Futur. Internet, vol. 13, no. 1, pp. 1–13, 2021, doi: 10.3390/fi13010008.
[15] “pytorch-fid,” 2023. https://pypi.org/project/pytorch-fid/