Transformasi Geometris

Transformasi geometris mengubah properti spasial gambar untuk menyimulasikan berbagai perspektif, orientasi, dan skala. Beberapa teknik yang umum digunakan meliputi:

• Rotasi: Memutar gambar dengan derajat tertentu untuk membantu model mengenali objek pada berbagai sudut.
• Pembalikan: Mencerminkan gambar secara horizontal atau vertikal untuk menambahkan variasi orientasi.
• Pemotongan (Cropping): Menghapus bagian-bagian gambar untuk memfokuskan pada fitur tertentu atau menyimulasikan tampilan yang lebih dekat.
• Translasi: Menggeser gambar ke berbagai arah yang berbeda agar model mampu memahami objek tanpa terpengaruh oleh posisi.

Transformasi Ruang Warna

Transformasi ruang warna mengubah properti warna pada citra untuk mengatasi variasi pencahayaan, saturasi warna, dan kontras. Teknik-teknik yang umum digunakan meliputi:

• Penyesuaian Kecerahan: Mengubah tingkat kecerahan citra untuk menyimulasikan berbagai kondisi pencahayaan.
• Penyesuaian Kontras: Mengatur kontras agar model dapat mengenali objek dengan tingkat kejelasan yang berbeda-beda.
• Penyesuaian Saturasi: Mengubah saturasi warna untuk mengajarkan model menghadapi citra dengan intensitas warna yang beragam.
• Color Jittering: Menyesuaikan kecerahan, kontras, saturasi, dan rona secara acak untuk menambahkan variasi warna pada citra.

Penambahan derau (noice injection)

Penambahan derau pada citra menyimulasikan ketidaksempurnaan di dunia nyata sehingga model dapat belajar untuk mengabaikan variasi yang tidak relevan. Teknik-teknik yang umum digunakan meliputi:

• Derau Gaussian: Menambahkan derau Gaussian untuk meniru derau dari sensor atau efek butiran pada citra.
• Salt and Paper noice: Menyisipkan piksel hitam atau putih secara acak untuk menyimulasikan debu pada sensor atau piksel mati .

Sinyal biologis

Augmentasi data sintetis sangat penting untuk klasifikasi pemelajaran mesin, khususnya untuk data biologis yang cenderung berdimensi tinggi dan sulit diperoleh. Analisis dalam aplikasi kontrol robotik dan augmentasi pada subjek disabilitas dan non-disabilitas masih banyak bergantung pada pendekatan spesifik per individu. Kelangkaan data sangat terasa dalam permasalahan pemrosesan sinyal, seperti pada sinyal elektromiografi pada penderita penyakit Parkinson, yang sumbernya memang sulit untuk didapatkan. Zanini, dkk. mencatat bahwa penggunaan jaringan adversarial generatif (khususnya, DCGAN), memungkinkan proses style transfer untuk menghasilkan sinyal elektromiografi sintetis yang merepresentasikan karakteristik sinyal dari para penderita Penyakit Parkinson.^[11]

Pendekatan-pendekatan ini juga penting dalam elektroensefalografi (rekaman gelombang otak). Wang, dkk. mengeksplorasi ide penggunaan jaringan saraf konvolusional dalam (deep CNN) untuk pengenalan emosi berbasis EEG. Hasil penelitian mereka meunjukkan bahwa penggunaan augmentasi data berhasil meningkatkan akurasi dalam mengenali emosi.^[12]

Salah satu pendekatan umum adalah menghasilkan sinyal sintetis adalah dengan mengatur ulang komponen dari data asli. Lotte ^[13] mengusulkan sebuah metode “Artificial Trial Generation Based on Analogy” yang memiliki tiga contoh data ${\displaystyle x_{1},x_{2},x_{3}}$ yang lalu digunakan untuk menghasilkan data buatan ${\displaystyle x_{synthetic}}$ yang ${\displaystyle x_{3}}$ adalah ${\displaystyle x_{2}}$ bagi ${\displaystyle x_{1}}$. Sebuah transformasi kemudian dilakukan pada ${\displaystyle x_{1}}$ untuk menjadikannya lebih mirip pada ${\displaystyle x_{2}}$. Lalu, transformasi yang sama kemudian diterapkan pada ${\displaystyle x_{3}}$ yang menghasilkan ${\displaystyle x_{synthetic}}$. Pendekatan ini terbukti meningkatkan kinerja pengklasifikasi Analisis Diskriminan Linear (Linear Discriminant Analysis atau LDA) pada tiga dataset yang berbeda.

Penelitian terkini menunjukkan bahwa teknik sederhana sekalipun dapat memberikan dampak signifikan. Misalnya, Freer ^[14] mengamati bahwa penambahan derau pada data yang telah berhasil dikumpulkan untuk menghasilkan titik-titik data tambahan dapat meningkatkan kemampuan pemelajaran beberapa model yang sebelumnya berkinerja buruk. Tsinganos, dkk.^[15] meneliti pendekatan magnitudo warping, dekomposisi wavelet, dan model EMG permukaan sintetis (pendekatan generatif) untuk pengenalan gerakan tangan. Hasilnya menunjukkan peningkatan kinerja klasifikasi hingga +16% ketika data tambahan diperkenalkan selama pelatihan.

Baru-baru ini, penelitian augmentasi data mulai berfokus pada bidang pemelajaran mendalam, khususnya pada kemampuan model generatif untuk menciptakan data buatan yang kemudian dimasukkan ke dalam pelatihan model klasifikasi. Pada tahun 2018, Luo, dkk.^[16] menemukan bahwa data sinyal EEG yang berguna dapat dihasilkan oleh Conditional Wasserstein Generative Adversarial Networks (GANs). Ketika data sintetis ini ditambahkan ke dalam set pelatihan dalam kerangka train-test klasik, performa klasifikasi mengalami peningkatan yang signifikan.

Sinyal mekanis

Prediksi sinyal mekanis berbasis augmentasi data membuka jalan bagi teknologi generasi baru, seperti pengelolaan energi baru, bidang komunikasi 5G, dan rekayasa kontrol robotika.^[17] Pada tahun 2022, Yang, dkk.,^[17] mengintegrasikan constraints (kendala), optimisasi, dan kontrol ke dalam kerangka jaringan deep learning yang didukung oleh augmentasi data dan pemangkasan data (data pruning) dengan mempertimbangkan korelasi data ruang-waktu (spatio-temporal data correlation). Pendekatan ini berhasil meningkatkan interpretabilitas, keamanan, dan kemampuan pengendalian deep learning dalam proyek industri nyata melalui penggunaan persamaan pemrograman matematis eksplisit dan solusi analitis.