Analisis Pengaruh Teknik Preprocessing terhadap Performa CNN pada Klasifikasi Citra Dataset CIFAR-10

Abstract

Penelitian ini menganalisis pengaruh teknik preprocessing citra terhadap performa Convolutional Neural Network (CNN) pada dataset CIFAR-10. Teknik yang dievaluasi meliputi normalisasi piksel, augmentasi data, dan filter median yang disusun dalam empat kondisi eksperimen: kontrol, normalisasi, normalisasi+augmentasi, serta normalisasi+augmentasi+median. Setiap kondisi dijalankan sebanyak lima kali menggunakan seed berbeda untuk memperoleh rerata dan standar deviasi. Hasil eksperimen menunjukkan bahwa kondisi kontrol memperoleh akurasi uji tertinggi sebesar 86,42% ± 0,37%, sedangkan normalisasi menghasilkan akurasi yang hampir setara sebesar 86,36% ± 0,28%. Penambahan augmentasi menurunkan akurasi uji menjadi 79,48% ± 2,80%, dan kombinasi normalisasi, augmentasi, serta median filter menghasilkan akurasi terendah sebesar 76,20% ± 2,88%. Temuan ini menunjukkan bahwa preprocessing tambahan yang diuji belum mampu meningkatkan akurasi CNN pada konfigurasi eksperimen ini. Penurunan terutama terjadi pada kelas hewan seperti bird, cat, dog, dan deer, yang mengindikasikan bahwa augmentasi dan median filter dapat mengurangi informasi visual penting pada citra beresolusi rendah.