AUGMENTASI DATA MENGGUNAKAN DCGAN PADA GAMBAR TANAH

Abstract

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