Implementasi Convolutional Neural Network untuk Klasifikasi Pembalap MotoGP Berbasis GPU
Afandi Nur Aziz Thohari, Galuh Boy Hertantyo · Conference on Electrical Engineering, Telematics, Industrial technology, and Creative Media (CENTIVE) · 2018
Salah satu bidang keilmuan baru dalam machine learning yang berkembang akibat perkembangan teknologi GPU adalah deep learning. Adanya deep learning dapat menyelesaikan salah satu masalah dalam visi komputer yaitu klasifikasi objek pada citra. Klasifikasi citra sendiri dapat dikatakan merupakan pekerjaan yang sangat sulit dilakukan komputer karena pada dasarnya komputer hanya menangkap data citra sebagai rentetan nilai dan piksel. Oleh karena itu pada penelitian ini diimplementasikan metode Convolutional Neural Network (CNN) sebagai salah satu model dari deep learning yang memiliki kemampuan yang baik dalam klasifikasi data dengan struktur dua dimensi seperti citra. CNN sendiri pada dasarnya merupakan arsitektur jaringan syaraf tiruan yang memerlukan proses pelatihan berulang-ulang untuk mendapatkan akurasi yang baik. Proses pelatihan dengan CNN akan membutuhkan komputasi yang sangat berat serta waktu yang lama, untuk itu penggunaan performa GPU sangatlah dibutuhkan untuk mempercepat waktu pelatihan. Berdasarkan hasil pengujian menggunakan epoch sejumlah 150 terhadap citra pembalap MotoGP, menunjukan akurasi sebesar 96,67% terhadap data test dengan waktu pelatihan mencapai 473 detik. Sehingga dapat disimpulkan bahwa teknik Deep Learning dengan CNN mampu melakukan klasifikasi citra pembalap MotoGP dengan sangat baik. Sedangkanpenggunaan GPU dapat mempercepat proses komputasi hingga 11 kali lipat dibanding jika menggunakan CPU.