<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Buddisetya on Medium]]></title>
        <description><![CDATA[Stories by Buddisetya on Medium]]></description>
        <link>https://medium.com/@buddisetya?source=rss-f691476d18f0------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*WNyi3o_0VS5Bv-8i</url>
            <title>Stories by Buddisetya on Medium</title>
            <link>https://medium.com/@buddisetya?source=rss-f691476d18f0------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 21:52:08 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@buddisetya/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Review Jurnal — U-Net: Convolutional Neural Network untuk Segmentasi Citra Biomedis dengan Data…]]></title>
            <link>https://medium.com/@buddisetya/review-jurnal-u-net-convolutional-neural-network-untuk-segmentasi-citra-biomedis-dengan-data-bd3fd95d86cc?source=rss-f691476d18f0------2</link>
            <guid isPermaLink="false">https://medium.com/p/bd3fd95d86cc</guid>
            <category><![CDATA[segmentation]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Buddisetya]]></dc:creator>
            <pubDate>Fri, 23 Oct 2026 13:13:22 GMT</pubDate>
            <atom:updated>2026-10-23T13:13:22.871Z</atom:updated>
            <content:encoded><![CDATA[<h3>Review Jurnal — U-Net: Convolutional Neural Network untuk Segmentasi Citra Biomedis dengan Data Latih Terbatas</h3><h3><strong>Pendahuluan</strong></h3><p>CNN pada awalnya banyak dipakai untuk klasifikasi, yaitu memberi satu label untuk satu citra. Di bidang biomedis, kebutuhannya berbeda: setiap piksel harus diberi label, misalnya apakah piksel tersebut termasuk sel, membran, atau latar belakang. Tugas ini disebut segmentasi semantik.</p><p>Ada dua kendala utama. Pertama, data beranotasi sangat terbatas; untuk tantangan segmentasi neuron ISBI 2012 hanya tersedia 30 citra latih berukuran 512x512. Kedua, pendekatan unggulan saat itu, yaitu CNN jendela geser oleh Ciresan dkk. [2], mengklasifikasi setiap piksel berdasarkan patch di sekitarnya. Cara ini (a) sangat lambat karena jaringan dijalankan terpisah untuk setiap piksel dengan banyak komputasi berulang pada patch yang tumpang-tindih, dan (b) menghadapi trade-off: patch besar memberi konteks luas tetapi memerlukan lebih banyak max-pooling sehingga lokalisasi kurang tepat, sedangkan patch kecil memberi lokalisasi tepat tetapi konteks sempit.</p><p>Ronneberger dkk. [1] mengangkat masalah ini: bagaimana membangun jaringan segmentasi yang cepat, presisi di tingkat piksel, sekaligus mampu memanfaatkan konteks luas, dan dapat dilatih dari data beranotasi yang sangat sedikit?</p><h3>Masalah yang diselesaikan</h3><p>Segmentasi citra biomedis memerlukan label untuk setiap piksel, tetapi data beranotasi sangat sedikit (misalnya hanya 30 citra pada ISBI 2012). Metode terbaik sebelumnya (CNN jendela geser, Ciresan dkk.) lambat karena dijalankan per piksel dengan banyak komputasi berulang, serta menghadapi dilema: patch besar memberi konteks tetapi lokalisasi kurang tepat, patch kecil sebaliknya. Ada pula masalah memisahkan sel-sel yang saling bersentuhan.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*xP0L5Qq6zTpgCKW9fm42aQ.png" /><figcaption>Perbandingan IoU U-Net dengan peringkat kedua kompetisi (angka dari Ronneberger dkk. [1]).</figcaption></figure><h3>Metode yang diusulkan</h3><p>U-Net: arsitektur fully convolutional berbentuk U dengan jalur kontraksi (konvolusi 3x3 + ReLU + max-pooling, kanal 64 hingga 1024) dan jalur ekspansi simetris (up-convolution) yang digabung dengan fitur encoder melalui skip connection, diakhiri konvolusi 1x1. Dilengkapi strategi overlap-tile dengan mirroring untuk citra besar, augmentasi deformasi elastis, dan cross-entropy berbobot yang memberi bobot besar pada batas tipis antarsel.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/457/1*VxTpkz-b90L1RLlTckkZTw.png" /><figcaption>Arsitektur U-Net (disederhanakan). Ukuran merujuk pada masukan 572x572 dalam makalah asli.</figcaption></figure><h3>Alasan memilih metode tersebut</h3><p>(a) Skip connection menggabungkan fitur beresolusi tinggi (lokasi presisi) dengan fitur dalam (konteks), sehingga dilema konteks vs lokalisasi teratasi. (b) Arsitektur fully convolutional memproses seluruh citra sekaligus sehingga jauh lebih cepat daripada jendela geser dan bisa menerima ukuran citra sembarang. © Deformasi elastis meniru variasi alami jaringan biologis sehingga jaringan dapat belajar invariansi dari data sangat sedikit. (d) Loss berbobot memaksa jaringan mempelajari garis pemisah antarsel yang bersentuhan, masalah khas citra mikroskop.</p><h3>Eksperimen dan Hasil</h3><h3>Segmentasi Struktur Neuron (ISBI 2012)</h3><p>Dataset terdiri atas 30 citra mikroskop elektron (ssTEM) tali saraf larva Drosophila. Evaluasi menggunakan warping error, rand error, dan pixel error terhadap peta membran.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/486/1*XaRPSRPNVo5jD_qd2FiQlw.png" /><figcaption>Tabel 1. Hasil ISBI 2012 EM Segmentation Challenge</figcaption></figure><p>U-Net (rata-rata dari 7 versi rotasi citra masukan)unggul dibanding metode jendela geser Ciresan dkk., pemenang tahun 2012, pada warping dan rand error, tanpa pra- atau pasca-pemrosesan tambahan. Saat makalah ditulis, U-Net menempati peringkat terbaik diantara metode yang tidak memakai pasca-pemrosesan khusus dataset.</p><h3>ISBI Cell Tracking Challenge 2015</h3><p>U-Net juga diuji pada dua dataset mikroskop cahaya: PhC-U373 (sel glioblastoma, phase contrast, 35 citra latih beranotasi parsial) dan DIC-HeLa (sel HeLa, differential interference contrast, 20 citra latih beranotasi parsial).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*xP0L5Qq6zTpgCKW9fm42aQ.png" /><figcaption>Perbandingan IoU U-Net dengan peringkat kedua kompetisi (angka dari Ronneberger dkk. [1]).</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/486/1*XbjJ2Jg_B-QbrvzG9zu60g.png" /><figcaption>Tabel 2. Hasil segmentasi (IoU) ISBI Cell Tracking 2015</figcaption></figure><p>U-Net menjuarai kedua kategori dengan selisih besar, terutama pada DIC-HeLa yang kontrasnya rendah: 77,6% berbanding 46%. Dari sisi efisiensi, segmentasi citra 512x512 berlangsung kurang dari satu detik pada GPU, jauh lebih cepat daripada pendekatan jendela geser.</p><h3>Kesimpulan</h3><p>U-Net menyelesaikan masalah segmentasi citra biomedis dengan data latih terbatas melalui arsitektur encoder-decoder simetris dengan skip connection, augmentasi deformasi elastis, dan loss berbobot untuk batas sel. Metode ini mengungguli metode terbaik sebelumnya pada ISBI 2012 dan menjuarai ISBI Cell Tracking Challenge 2015 dengan selisih besar, sekaligus bekerja cepat. U-Net menunjukkan bahwa CNN yang dirancang tepat dapat dilatih end-to-end dari sangat sedikit citra dan tetap menghasilkan segmentasi tingkat piksel yang akurat.</p><h3>Daftar Pustaka</h3><p>[1] O. Ronneberger, P. Fischer, T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” MICCAI 2015, LNCS vol. 9351, hlm. 234–241, Springer, 2015.</p><p>[2] D. Ciresan, A. Giusti, L. M. Gambardella, J. Schmidhuber, “Deep Neural Networks Segment Neuronal Membranes in Electron Microscopy Images,” NeurIPS, 2012.</p><p>[3] J. Long, E. Shelhamer, T. Darrell, “Fully Convolutional Networks for Semantic Segmentation,” CVPR, 2015.</p><p>[4] F. Isensee dkk., “nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation,” Nature Methods, 18, 2021.</p><p>[5] O. Cicek dkk., “3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation,” MICCAI, 2016.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bd3fd95d86cc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Review Jurnal — Faster R-CNN: Deteksi Objek Mendekati Waktu Nyata dengan Region Proposal Network]]></title>
            <link>https://medium.com/@buddisetya/review-jurnal-faster-r-cnn-deteksi-objek-mendekati-waktu-nyata-dengan-region-proposal-network-315153153166?source=rss-f691476d18f0------2</link>
            <guid isPermaLink="false">https://medium.com/p/315153153166</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Buddisetya]]></dc:creator>
            <pubDate>Fri, 23 Oct 2026 12:39:56 GMT</pubDate>
            <atom:updated>2026-10-23T12:39:56.805Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Pendahuluan</strong></h3><p>Deteksi objek adalah tugas visi komputer yang tidak hanya menjawab apa yang ada dalam citra (klasifikasi), tetapi juga di mana objek itu berada, dalam bentuk bounding box. Tugas ini menjadi dasar banyak aplikasi seperti kendaraan otonom, pengawasan video, dan analisis citra medis.</p><p>Keberhasilan CNN pada klasifikasi ImageNet mendorong lahirnya pendekatan deteksi dua tahap. R-CNN [2] memotong sekitar 2.000 kandidat wilayah dari Selective Search lalu menjalankan CNN pada tiap wilayah secara terpisah, sehingga sangat lambat. Fast R-CNN [3] memperbaikinya dengan menjalankan CNN sekali untuk seluruh citra lalu mengambil fitur tiap wilayah melalui RoI pooling. Akibatnya, waktu deteksi jaringan menjadi sangat cepat, tetapi justru tahap proposal yang kini dominan: Selective Search memerlukan sekitar 2 detik per citra di CPU, jauh lebih lama dari jaringan detektornya sendiri.</p><p>Permasalahan inilah yang diangkat Ren dkk. [1]: bagaimana menghasilkan region proposal yang berkualitas, cepat, dan dapat dipelajari, sehingga seluruh sistem deteksi bisa berjalan mendekati waktu nyata tanpa mengorbankan akurasi?</p><h3>Masalah yang diselesaikan</h3><p>Detektor objek berbasis CNN (R-CNN, Fast R-CNN) sudah akurat, tetapi bergantung pada algoritma region proposal eksternal seperti Selective Search yang berjalan di CPU dan memakan sekitar 1,5–2 detik per citra. Tahap proposal menjadi hambatan (bottleneck) utama, sehingga deteksi tidak bisa mendekati waktu nyata. Selain itu, proposal dirancang manual sehingga tidak ikut belajar dari data.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/490/1*uUiPsyWhyP4aSv3aO-pONw.png" /><figcaption>Perbandingan akurasi dan kecepatan (angka dari Ren dkk. [1]).</figcaption></figure><h3>Metode yang diusulkan</h3><p>Region Proposal Network (RPN): jaringan konvolusi penuh kecil di atas feature map backbone (ZF/VGG-16) yang di setiap posisi memprediksi skor objektivitas dan koreksi koordinat untuk 9 anchor (3 skala x 3 rasio aspek). RPN berbagi lapisan konvolusi dengan detektor Fast R-CNN (RoI pooling, klasifikasi, regresi kotak) melalui pelatihan bergantian 4 langkah, sehingga seluruh sistem menjadi satu jaringan terpadu yang memakai sekitar 300 proposal per citra.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/489/1*6L-j1-LA4fGiLussSWPfOA.png" /><figcaption>Arsitektur Faster R-CNN: RPN dan detektor berbagi lapisan konvolusi yang sama.</figcaption></figure><h3>Alasan memilih metode tersebut</h3><p>a) Feature map konvolusi yang sudah dihitung untuk deteksi ternyata juga berisi informasi lokasi objek, sehingga bisa dipakai ulang untuk menghasilkan proposal dengan biaya hampir nol (sekitar 10 ms).</p><p>b) Proposal yang dipelajari dari data lebih akurat dan lebih sedikit dibanding proposal rancangan manual.</p><p>c) Anchor menangani variasi skala dan rasio tanpa piramida citra/filter yang mahal, bersifat translation-invariant, dan memiliki parameter jauh lebih sedikit (sekitar 2,8 juta vs 27 juta pada MultiBox) sehingga risiko overfitting kecil.</p><p>d) Berbagi fitur membuat proposal ikut membaik seiring membaiknya fitur.</p><h3>Eksperimen dan Hasil</h3><p>Evaluasi dilakukan pada PASCAL VOC 2007/2012 dan MS COCO, dengan backbone ZF (5 lapisan konvolusi) dan VGG-16 (13 lapisan konvolusi).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/405/1*a9j1E05bnFwT5NLvW4V1CA.png" /><figcaption>Tabel 1. Hasil pada PASCAL VOC 2007 test (VGG-16)</figcaption></figure><p>Tabel 1 menunjukkan bahwa meskipun hanya memakai 300 proposal (dibandingkan 2.000), RPN memberikan mAP yang lebih tinggi. Studi ablasi menunjukkan bahwa ketika jumlah proposal dikurangi menjadi 100, mAP RPN hanya sedikit turun, sedangkan Selective Search dan EdgeBoxes turun tajam: proposal RPN jauh lebih ‘tepat sasaran’. Ablasi lain menunjukkan bahwa menghapus skor klasifikasi atau regresi RPN menurunkan akurasi secara signifikan, dan bahwa 9 anchor (3 skala x 3 rasio) lebih baik daripada konfigurasi satu skala/satu rasio.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/490/1*uUiPsyWhyP4aSv3aO-pONw.png" /><figcaption>Perbandingan akurasi dan kecepatan (angka dari Ren dkk. [1]).</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/406/1*UNleBTlUEtEQEH8R4mIWWQ.png" /><figcaption>Tabel 2. Waktu per citra pada GPU K40 (ms)</figcaption></figure><p>Dari sisi kecepatan, biaya RPN hanya sekitar 10 ms per citra karena memakai ulang feature map yang sama. Seluruh sistem VGG-16 berjalan sekitar 5 fps, dan versi ZF mencapai 17 fps. Pada MS COCO, Faster R-CNN (VGG-16) mencapai 42,1% mAP@0,5 dan 21,5% mAP@[0,5:0,95], lebih tinggi dari Fast R-CNN dengan Selective Search (39,3% dan 19,3%). Kerangka ini juga menjadi dasar sistem pemenang kompetisi ILSVRC dan COCO 2015 pada jalur deteksi saat dipadukan dengan backbone ResNet-101.</p><h3>Tingkat keberhasilan</h3><p>Berhasil pada akurasi dan kecepatan. Pada PASCAL VOC 2007, mAP naik dari 70,0% (Selective Search + Fast R-CNN) menjadi 73,2% dengan hanya 300 proposal, dan 78,8% dengan tambahan data COCO. Waktu per citra turun dari 1.830 ms menjadi 198 ms (sekitar 5 fps, VGG-16) atau 17 fps dengan ZF. Pada MS COCO mAP@0,5 naik dari 39,3% menjadi 42,1%. Kerangka ini juga menjadi dasar pemenang ILSVRC dan COCO 2015. Namun tujuan ‘real-time’ baru tercapai sebagian: 5 fps dengan VGG-16 belum cukup untuk video, dan lokalisasi objek kecil serta presisi RoI pooling masih terbatas (kemudian diperbaiki oleh FPN dan Mask R-CNN).</p><h3>Kesimpulan</h3><p>Faster R-CNN menyelesaikan hambatan utama detektor dua tahap, yaitu tahap region proposal yang lambat, dengan memperkenalkan RPN yang berbagi lapisan konvolusi dengan detektor. Pendekatan ini menghasilkan proposal yang lebih sedikit tetapi lebih akurat, meningkatkan mAP pada PASCAL VOC dan MS COCO, serta mempercepat sistem sekitar sembilan kali menjadi sekitar 5 fps. Faster R-CNN menjadi salah satu fondasi penting dalam perkembangan deteksi objek berbasis CNN.</p><h3>Daftar Pustaka</h3><p>[1] S. Ren, K. He, R. Girshick, J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” Advances in Neural Information Processing Systems (NeurIPS), 2015; versi jurnal: IEEE TPAMI, vol. 39, no. 6, 2017.</p><p>[2] R. Girshick, J. Donahue, T. Darrell, J. Malik, “Rich feature hierarchies for accurate object detection and semantic segmentation,” CVPR, 2014.</p><p>[3] R. Girshick, “Fast R-CNN,” ICCV, 2015.</p><p>[4] J. R. R. Uijlings dkk., “Selective Search for Object Recognition,” IJCV, 2013.</p><p>[5] K. Simonyan, A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” ICLR, 2015.</p><p>[6] K. He, G. Gkioxari, P. Dollar, R. Girshick, “Mask R-CNN,” ICCV, 2017.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=315153153166" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>