SITUMEANG, Axelliano Rafael (2025) Penerapan Robust Incremental Learning dengan Resnet-50 dan Bias Correction Layer untuk Klasifikasi Citra. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (51kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (77kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (93kB)
	Text 4. KATA PENGANTAR.pdf Download (74kB)
	Text 6. ABSTRAK.pdf Download (8kB)
	Text 7. ABSTRACT.pdf Download (73kB)
	Text 8. DAFTAR ISI.pdf Download (34kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (31kB)

Abstract

Aplikasi model Deep Learning telah membantu manusia di berbagai bidang khususnya
bidang image classification. Walaupun demikian, model tersebut umumnya dihasilkan
menggunakan closed world classification yang membatasi potensi pembelajaran model
untuk menambah pengetahuan baru. Ketidakdinamisan model dalam menambah klasifikasi
terhadap pengetahuan baru berbanding terbalik dengan fakta pembelajaran alami yang terus
bersifat incremental dan tak terbatas. Hal ini menuntut dibutuhkan suatu model yang mampu
beradaptasi terhadap perubahan input dan terus belajar agar mampu menyesuaikan terhadap
output yang diharapkan. Namun, kebutuhan tersebut menimbulkan masalah terlupakannya
pengetahuan lama dari suatu model ketika model tersebut mempelajari informasi baru yang
ummumnya disebut sebagai catastrophic forgetting. Untuk mengatasi hal tersebut,
digunakanlah metode Class Incremental Learning (CIL) yang memfasilitasi pelatihan
dengan menyeimbangkan pengetahuan lama dan pengetahuan baru. Salah satu algoritma
CIL dengan performa yang baik adalah Bias Correction Method (BiC). BiC mampu
memperbaiki bias model terhadap kelas baru dengan 2 fase pelatihan. Penelitian ini
mengimplementasikan strategi BiC pada arsitektur ResNet dengan dataset berupa 20 kelas
dari ImageNet100 pada beberapa skenario. Skenario penelitian mencakup pengujian
terhadap beberapa hyperparameter, termasuk penggunaan pixel size, learning rate, dan
ukuran pertambahan kelas (step size). Hasil penelitian menunjukkan bahwa penerapan BiC
menghasilkan peningkatan akurasi terbaik sebesar 88,7% dengan peningkatan sebesar 0,7%
pada skenario 2 step size. Di sisi lain, penerapan BiC menghasilkan peningkatan terbsesar
sebesar 8,79% pada skenario 4 step size. Hasil tersebut menegaskan efektivitas BiC Layer
dalam mencegah catastrophic forgetting dan mempercepat pelatihan model dalam skenario
data terbatas.
Kata kunci : BiC Method, Class Incremental Learning, Image Classification, ResNet,
ImageNet

Actions (login required)

View Item