Peningkatan klasifikasi citra pemicu trypophobia dengan augmentasi pada deep learning model arsitektur Convolutional Neural Network (CNN)

Ketidaknyamanan visual yang dirasakan oleh beberapa orang ketika melihat objek berupa kumpulan lubang kecil yang tidak beraturan, dapat memengaruhi kondisi psikologis manusia sehingga menimbulkan gejala kecemasan dan ketakutan berlebih. Gejala ini dikenal dengan trypophobia, yang hanya fokus pada presepsi visual namun cukup memberikan dampak terhadap kesejahteraan mental. Penggunaan Convolutional Neural Network (CNN) untuk melakukan klasifikasi menjadi pendekatan yang berguna dalam memahami dan menginvestigasi fenomena trypophobia, terutama dalam konteks analisis gambar dan pola visual. Pada penelitian ini, dilakukan klasifikasi menggunakan model arsitektur EfficientNetB0 dengan augmentasi optimal. Pengenalan pola dataset menciptakan beberapa metode augmentasi. Hasil dari beberapa percobaan metode augmentasi menghasilkan transformasi optimal yaitu transformasi rotasi dan horizontal flip secara berurutan dengan akurasi sebesar 96,9%. Menurut hasil percobaan, pengenalan pola penting dilakukan untuk memahami karateristik data, menentukan transformasi dan teknik augmentasi yang tepat untuk menghasilkan hasil yang optimal