Penugasan Terstruktur 4 – Identifikasi Teknik

Regularization

Oleh:

1462100051 Istana Islam

1. Temukan informasi dataset berikut jumlah dan pembagiannya yang digunakan pada
metode yang diusulkan dalam jurnal tersebut.
a) Data Training
Dalam jurnal tersebut, dataset yang digunakan setelah dataset PHM08
Data set 1: 1 HP filtered, 3kHz - 4,4kHz (M)
Data set 2: 1 HP filtered, 3kHz - 4,4kHz (B)
Data set 3: 1 HP filtered, 0,8kHz - 2kHz (M)
Data set 4: 1 HP filtered, 0,8kHz - 2kHz (B)
Makalah penelitian dan arsitektur yang berpengaruh ini termasuk LeNet,
AlexNet, ZFNet, Generative Adversarial Network (GAN), GoogleNet,
VGGNet, R-CNN, ResNet, Unet, FCN, R-CNN cepat, R-CNN lebih cepat,
YOLO, DeepLabv3, SegNet, DenseNet, Transformer, Masker R-CNN, ENet,
PANet, YOLOv4, dan YOLOv7.
b) Data Development
Terlepas dari kegunaan metode yang dibahas sebelumnya, semuanya
memerlukan pengendalian UAV secara manual. Selain itu, mengendalikan
UAV di area dengan jangkauan GPS yang buruk, seperti bagian bawah
jembatan, terowongan, atau struktur bangunan, dapat menjadi tantangan
tersendiri. Untuk mengatasi masalah ini, Kang dan Cha [99] memelopori
pengembangan sistem navigasi otonom dan metode penerbangan untuk UAV.
Pendekatan ini diintegrasikan dengan CNN untuk mendeteksi retakan beton di
lingkungan yang tidak memiliki GPS. Mereka menggunakan sistem suar
ultrasonik (UBS) untuk melokalisasi UAV. CNN pendeteksi kerusakan
digunakan dan menunjukkan bahwa meskipun gambar agak buram akibat
 getaran yang ditimbulkan dari motor sayap UAV, CNN dapat mendeteksi
retakan beton dengan memuaskan.
Meskipun mode yang diawasi telah menunjukkan keefektifannya, mode
tersebut menghadapi keterbatasan karena tantangan yang melekat dalam
mengumpulkan beragam data getaran yang mencakup berbagai skenario
kerusakan. Meskipun ada pengembangan metode DL tanpa pengawasan
tertentu, penelitian tambahan tetap penting, terutama dalam domain seperti
deteksi kesalahan sensor dan masalah pemulihan data. Selain itu, pendekatan
terpadu diperlukan untuk secara bersamaan mengatasi identifikasi kerusakan,
pemulihan data, deteksi kesalahan sensor, dan kompensasi.
c) Data Test
Tabel untuk menguji kinerja DINN
Network Structure Type & Train Val. Test Input size Mlou acc
device

DINN Steel Internal 1600 4,00 2,00 640x480 - 96.00

defects,
infrared

Faster R- Steel Crack, 3000 - 125 - - 95.41

CNN thermography

Deep Rebar, 98.05 1528 - - 90.20 98.71 -

Residual GPR
net
Segnet Tunnel Internal 104,000 10,400 10,400 256 × 128 89.50 93.50
defects, GPR

AGAN, Bridge, Internal 820 - 84 640x480 90.00 95.20

IDSNet Parkade defects,
infrared
Improved Pavement GPR 3430 429 429 1024x1024 70.10 -
Mask R-
CNN

Ketahanan jaringan diuji pada 200 gambar pengujian baru. DINN

berhasil mencapai akurasi sebesar 96,00% dan spesifisitas sebesar 97,79%.
Hasil pengujian divalidasi menggunakan metode uji kecepatan pulsa ultrasonik.
Yang dkk. menggunakan R-CNN yang lebih cepat untuk mendeteksi retakan
pada gambar inframerah lembaran baja. Alat pemanas listrik digunakan sebagai
sumber eksitasi eksternal. Sebanyak 3000 gambar berlabel dikumpulkan untuk
mengembangkan bank data. Metode yang dikembangkan mencapai mAP
sebesar 92,41% dan akurasi 95,54% ketika diuji pada 125 citra baru.

2. Temukan informasi metode regularization yang diterapkan pada artikel tersebut dan
uraikan setiap metode yang digunakan
• Dropout: Dropout adalah teknik regularisasi yang umum digunakan dalam
jaringan saraf tiruan untuk mengurangi overfitting. Dalam dropout, beberapa
unit (neuron) dalam jaringan diabaikan secara acak selama pelatihan, yang
memaksa jaringan untuk belajar fitur-fitur yang lebih berguna secara
keseluruhan.
• L1 dan L2 Regularization: L1 dan L2 regularization adalah metode untuk
mencegah overfitting dengan menambahkan komponen regularisasi ke fungsi
kerugian. L1 regularization menambahkan norma L1 dari bobot ke fungsi
kerugian, sedangkan L2 regularization menambahkan norma L2 dari bobot
kuadrat ke fungsi kerugian.
• Batch Normalization: Batch Normalization adalah teknik untuk meningkatkan
kestabilan dan percepatan konvergensi dalam jaringan saraf tiruan. Ini
dilakukan dengan normalisasi batch input dari lapisan sebelumnya sebelum
memberikan input ke lapisan berikutnya dalam jaringan.
• Early Stopping: Early stopping adalah teknik di mana pelatihan model
dihentikan sebelum mencapai jumlah iterasi maksimum jika tidak ada
peningkatan yang signifikan dalam metrik kinerja (misalnya, akurasi validasi).
Ini membantu mencegah overfitting.