Peningkatan Kinerja Pengklasifikasi Objek Bawah Laut dengan Deep Learning

Abstract

Pengenalan objek bawah laut dapat dilakukan berdasarkan pola hamburan SONAR, seperti untuk deteksi ranjau dan deteksi batu yang terletak di dasar laut. Kesulitan yang dihadapi pada pengenalan objek bawah laut antara lain adalah pemilihan metode ekstraksi fitur, adanya rotasi objek yang menghasilkan pola hamburan yang berbeda, lingkungan atau latar belakang bervariasi, dan kemampuan pengklasifikasi yang berbeda untuk lingkungan yang lebih kompleks. Pada penelitian ini, kami menggunakan deep learning neural network untuk meningkatkan kinerja klasifikasi dua buah objek bawah laut. Secara khusus, dibandingkan jumlah neuron pada lapisan tersembunyi dan fungsi aktivasi yang dapat menghasilkan kinerja yang lebih tinggi dari penelitian sebelumnya. Pada penelitian sebelumnya, proses klasifikasi dilakukan dengan menggunakan neural network dengan 12 buah lapisan tersembunyi, dan menghasilkan akurasi maksimal sebesar 90.4%. Dilakukan percobaan pada struktur jaringan syaraf tiruan berupa multilayer perceptron dengan 2 buah lapisan tersembunyi dan 7 macam fungsi aktivasi. Dari percobaan yang dilakukan diperolehbahwa deep learning neural network memberikan rata-rata akurasi terbaik sebesar 85,9% dengan akurasi maksimal sebesar 96,15% lebih baik dibandingkan hasil penelitian sebelumnya. Akurasi terbaik tersebut diperoleh dengan memanfaatkan jumlah neuron pada lapisan tersembunyi sebanyak 140 buah, dan fungsi aktivasi reLU untuk lapisan tersembunyi fungsi aktivasi Linear untuk lapisan output.