Augmentasi data - Riwayat revisi

Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

2026-08-23T04:19:11Z

Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

← Revisi sebelumnya		Revisi per 23 Agustus 2026 04.19
Baris 1:		Baris 1:
	}		}

	'''Augmentasi data''' ([[bahasa Inggris]]: ''data augmentation'') adalah teknik statistik yang memungkinkan [[Estimasi kemungkinan maksimum\|estimasi ''maximum likelihood'']] (peluang maksimum) dari data yang tidak lengkap. Teknik ini memiliki peran penting dalam [[analisis Bayes]] dan banyak digunakan dalam [[pemelajaran mesin]] untuk mengurangi ''[[overfitting]]'' saat melatih model yang dicapai dengan melatih model menggunakan beberapa salinan data yang telah dimodifikasi secara halus dari data asli.		'''Augmentasi data''' ([[bahasa Inggris]]: ''data augmentation'') adalah teknik statistik yang memungkinkan [[Estimasi kemungkinan maksimum\|estimasi ''maximum likelihood'']] (peluang maksimum) dari data yang tidak lengkap.<ref>A.P. Dempster. [https://rss.onlinelibrary.wiley.com/doi/abs/10.1111/j.2517-6161.1977.tb01600.x Maximum Likelihood from Incomplete Data Via the EM Algorithm]. ''Journal of the Royal Statistical Society. Series B (Methodological)''. 1977. Vol. 39 (1). hlm. 1–22. doi:10.1111/j.2517-6161.1977.tb01600.x.</ref><ref>Donald Rubin. [https://www.jstor.org/stable/2289460 Comment: The Calculation of Posterior Distributions by Data Augmentation]. ''Journal of the American Statistical Association''. 1987. Vol. 82 (398). doi:10.2307/2289460.</ref> Teknik ini memiliki peran penting dalam [[analisis Bayes]]<ref>Simon Jackman. [https://www.wiley.com/en-au/Bayesian+Analysis+for+the+Social+Sciences-p-9780470011546 Bayesian Analysis for the Social Sciences]. John Wiley & Sons. 2009. hlm. 236. ISBN 978-0-470-01154-6.</ref> dan banyak digunakan dalam [[pemelajaran mesin]] untuk mengurangi ''[[overfitting]]'' saat melatih model<ref>Connor Shorten. ''A survey on Image Data Augmentation for Deep Learning''. ''Mathematics and Computers in Simulation''. springer. 2019. Vol. 6. hlm. 60. doi:10.1186/s40537-019-0197-0.</ref> yang dicapai dengan melatih model menggunakan beberapa salinan data yang telah dimodifikasi secara halus dari data asli.

	== Teknik oversampling sintetis untuk pemelajaran mesin tradisional ==		== Teknik oversampling sintetis untuk pemelajaran mesin tradisional ==
	'''Synthetic Minority Over-sampling (SMOTE)''' adalah metode yang digunakan untuk mengatasi ketidakseimbangan data dalam pemelajaran mesin. Pada dataset yang seperti itu, jumlah sampel di setiap kelas berbeda jauh sehingga kinerja model cenderung bias. Misalnya, dalam dataset diagnosis medis yang memiliki 90 sampel orang sehat dan hanya 10 sampel pasien dengan penyakit tertentu, model algoritma tradisional akan mungkin kesulitan mengklasifikasikan kelas minoritas dengan akurat.		'''Synthetic Minority Over-sampling (SMOTE)''' adalah metode yang digunakan untuk mengatasi ketidakseimbangan data dalam pemelajaran mesin. Pada dataset yang seperti itu, jumlah sampel di setiap kelas berbeda jauh sehingga kinerja model cenderung bias. Misalnya, dalam dataset diagnosis medis yang memiliki 90 sampel orang sehat dan hanya 10 sampel pasien dengan penyakit tertentu, model algoritma tradisional akan mungkin kesulitan mengklasifikasikan kelas minoritas dengan akurat.

	SMOTE mengatasi masalah tersebut dengan menghasilkan sampel sintetis untuk kelas minoritas. Sebagai contoh, jika ada 100 sampel di kelas mayoritas dan 10 sampel di kelas minoritas, SMOTE akan membuat sampel baru dengan memilih secara acak satu sampel kelas minoritas beserta tetangganya yang terdekat. Setelah itu, SMOTE akan membuat sampel baru di sepanjang garis yang menghubungkan sampel-sampel tersebut. Proses ini membantu meningkatkan representasi kelas minoritas sehingga membantu meningkatkan kinerja model.		SMOTE mengatasi masalah tersebut dengan menghasilkan sampel sintetis untuk kelas minoritas. Sebagai contoh, jika ada 100 sampel di kelas mayoritas dan 10 sampel di kelas minoritas, SMOTE akan membuat sampel baru dengan memilih secara acak satu sampel kelas minoritas beserta tetangganya yang terdekat. Setelah itu, SMOTE akan membuat sampel baru di sepanjang garis yang menghubungkan sampel-sampel tersebut. Proses ini membantu meningkatkan representasi kelas minoritas sehingga membantu meningkatkan kinerja model.<ref>Shujuan Wang. ''Research on expansion and classification of imbalanced data based on SMOTE algorithm''. ''Scientific Reports''. 2021-12-15. Vol. 11 (1). hlm. 24039. doi:10.1038/s41598-021-03430-5.</ref>

	== Augmentasi data untuk klasifikasi citra ==		== Augmentasi data untuk klasifikasi citra ==
	Saat [[jaringan saraf konvolusional]] mulai berkembang pesat pada pertengahan tahun 1990-an, ketersediaan data masih sangat terbatas, apalagi mengingat sebagian data harus disisihkan untuk pengujian. Untuk mengatasi hal ini, parap peneliti mengusulkan metode modifikasi data yang ada dengan transformasi afin untuk menghasilkan contoh baru dengan label yang sama. Pendekatan ini kemudian diperkuat dengan penggunaan distorsi elastis pada tahun 2003. Teknik ini menjadi sangat popler dan banyak digunakan sejak 2010-an. Selain mampu meningkatkan kinerja CNN, augmentasi data juga berfungsi sebagai langkah perlindungan terhadap serangan ''profiling'' yang menargetkan CNN.		Saat [[jaringan saraf konvolusional]] mulai berkembang pesat pada pertengahan tahun 1990-an, ketersediaan data masih sangat terbatas, apalagi mengingat sebagian data harus disisihkan untuk pengujian. Untuk mengatasi hal ini, parap peneliti mengusulkan metode modifikasi data yang ada dengan transformasi afin untuk menghasilkan contoh baru dengan label yang sama.<ref>Yann Lecun. [https://nyuscholars.nyu.edu/en/publications/learning-algorithms-for-classification-a-comparison-on-handwritte Learning algorithms for classification: A comparison on handwritten digit recognition]. ''nyuscholars.nyu.edu''. World Scientific. 1995. hlm. 261–276.</ref> Pendekatan ini kemudian diperkuat dengan penggunaan distorsi elastis pada tahun 2003.<ref>P.Y. Simard. ''Seventh International Conference on Document Analysis and Recognition, 2003. Proceedings''. 2003. Vol. 1. hlm. 958–963. doi:10.1109/ICDAR.2003.1227801. ISBN 0-7695-1960-1.</ref> Teknik ini menjadi sangat popler dan banyak digunakan sejak 2010-an.<ref>''Improving neural networks by preventing co-adaptation of feature detectors''. 2012.</ref> Selain mampu meningkatkan kinerja CNN, augmentasi data juga berfungsi sebagai langkah perlindungan terhadap serangan ''profiling'' yang menargetkan CNN.<ref>Eleonora Cagli. [https://zenodo.org/record/1404232 Cryptographic Hardware and Embedded Systems – CHES 2017]. Springer International Publishing. 2017. Vol. 10529. hlm. 45–68. doi:10.1007/978-3-319-66787-4_3. ISBN 978-3-319-66787-4.</ref>

	Augmentasi data kini menjadi elemen penting dalam klasifikasi citra, yaitu dengan memperkaya variasi dataset pelatihan untuk meningkatkan kemampuan generalisasi dan kinerja model. Seiring perkembangannya, praktik ini telah menghadirkan berbagai teknik yang luas, termasuk transformasi geometris, penyesuaian ruang warna, dan penambahan derah (''noice injection'').		Augmentasi data kini menjadi elemen penting dalam klasifikasi citra, yaitu dengan memperkaya variasi dataset pelatihan untuk meningkatkan kemampuan generalisasi dan kinerja model. Seiring perkembangannya, praktik ini telah menghadirkan berbagai teknik yang luas, termasuk transformasi geometris, penyesuaian ruang warna, dan penambahan derah (''noice injection'').<ref>Connor Shorten. ''A survey on Image Data Augmentation for Deep Learning''. ''Journal of Big Data''. 2019-07-06. Vol. 6 (1). hlm. 60. doi:10.1186/s40537-019-0197-0.</ref>

	=== Transformasi Geometris ===		=== Transformasi Geometris ===
Baris 39:		Baris 39:

	=== Sinyal biologis ===		=== 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.		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.<ref>Rafael Anicet Zanini. ''Parkinson's Disease EMG Data Augmentation and Simulation with DCGANs and Style Transfer''. ''Sensors''. 2020. Vol. 20 (9). hlm. 2605. doi:10.3390/s20092605.</ref>

	Pendekatan-pendekatan ini juga penting dalam [[elektroensefalografi]] (rekaman gelombang otak). Wang, dkk. mengeksplorasi ide penggunaan [[Jaringan saraf konvolusional\|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.		Pendekatan-pendekatan ini juga penting dalam [[elektroensefalografi]] (rekaman gelombang otak). Wang, dkk. mengeksplorasi ide penggunaan [[Jaringan saraf konvolusional\|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.<ref>Fang Wang. ''MultiMedia Modeling''. 2018. Vol. 10705. hlm. 82–93. doi:10.1007/978-3-319-73600-6_8. ISBN 978-3-319-73599-3.</ref>

	Salah satu pendekatan umum adalah menghasilkan sinyal sintetis adalah dengan mengatur ulang komponen dari data asli. Lotte mengusulkan sebuah metode ''“Artificial Trial Generation Based on Analogy”'' yang memiliki tiga contoh data <math>x_{1}, x_{2}, x_{3}</math> yang lalu digunakan untuk menghasilkan data buatan <math>x_{synthetic}</math> yang <math>x_{3}</math> adalah <math>x_{2}</math> bagi <math>x_{1}</math>. Sebuah transformasi kemudian dilakukan pada <math>x_{1}</math> untuk menjadikannya lebih mirip pada <math>x_{2}</math>. Lalu, transformasi yang sama kemudian diterapkan pada <math>x_{3}</math> yang menghasilkan <math>x_{synthetic}</math>. Pendekatan ini terbukti meningkatkan kinerja pengklasifikasi Analisis Diskriminan Linear (''Linear Discriminant Analysis'' atau LDA) pada tiga dataset yang berbeda.		Salah satu pendekatan umum adalah menghasilkan sinyal sintetis adalah dengan mengatur ulang komponen dari data asli. Lotte <ref>Fabien Lotte. [https://hal.inria.fr/hal-01159171/file/lotte_sigProcCalibReduction-final.pdf Signal Processing Approaches to Minimize or Suppress Calibration Time in Oscillatory Activity-Based Brain–Computer Interfaces]. ''Proceedings of the IEEE''. 2015. Vol. 103 (6). hlm. 871–890. doi:10.1109/JPROC.2015.2404941.</ref> mengusulkan sebuah metode ''“Artificial Trial Generation Based on Analogy”'' yang memiliki tiga contoh data <math>x_{1}, x_{2}, x_{3}</math> yang lalu digunakan untuk menghasilkan data buatan <math>x_{synthetic}</math> yang <math>x_{3}</math> adalah <math>x_{2}</math> bagi <math>x_{1}</math>. Sebuah transformasi kemudian dilakukan pada <math>x_{1}</math> untuk menjadikannya lebih mirip pada <math>x_{2}</math>. Lalu, transformasi yang sama kemudian diterapkan pada <math>x_{3}</math> yang menghasilkan <math>x_{synthetic}</math>. 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 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. 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.		Penelitian terkini menunjukkan bahwa teknik sederhana sekalipun dapat memberikan dampak signifikan. Misalnya, Freer <ref>Daniel Freer. ''Data augmentation for self-paced motor imagery classification with C-LSTM''. ''Journal of Neural Engineering''. 2020. Vol. 17 (1). hlm. 016041. doi:10.1088/1741-2552/ab57c0.</ref> 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.<ref>Panagiotis Tsinganos. ''Data Augmentation of Surface Electromyography for Hand Gesture Recognition''. ''Sensors''. 2020. Vol. 20 (17). hlm. 4892. doi:10.3390/s20174892.</ref> 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. 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.		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.<ref>Yun Luo. ''2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)''. 2018. Vol. 2018. hlm. 2535–2538. doi:10.1109/EMBC.2018.8512865. ISBN 978-1-5386-3646-6.</ref> 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 ===		=== 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. Pada tahun 2022, Yang, dkk., mengintegrasikan ''constraints'' (kendala), optimisasi, dan kontrol ke dalam kerangka jaringan de''ep 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.		Prediksi sinyal mekanis berbasis augmentasi data membuka jalan bagi [[teknologi]] generasi baru, seperti pengelolaan energi baru, bidang komunikasi 5G, dan rekayasa kontrol robotika.<ref>Yang Yang. ''Wind speed forecasting with correlation network pruning and augmentation: A two-phase deep learning method''. ''Renewable Energy''. 2022. Vol. 198 (1). hlm. 267–282. doi:10.1016/j.renene.2022.07.125.</ref> Pada tahun 2022, Yang, dkk.,<ref>Yang Yang. ''Wind speed forecasting with correlation network pruning and augmentation: A two-phase deep learning method''. ''Renewable Energy''. 2022. Vol. 198 (1). hlm. 267–282. doi:10.1016/j.renene.2022.07.125.</ref> mengintegrasikan ''constraints'' (kendala), optimisasi, dan kontrol ke dalam kerangka jaringan de''ep 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.

	== Lihat juga ==		== Lihat juga ==

	* [[Oversampling dan undersampling dalam analisis data]]		* [[Oversampling dan undersampling dalam analisis data]]
	* [[Data pengganti]]		* [[Data pengganti]]
Baris 65:		Baris 64:

	== Referensi ==		== Referensi ==
			<references />


	== Sumber dan atribusi ==		== Sumber dan atribusi ==

	Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Augmentasi+data&oldid=27685684 Wikipedia bahasa Indonesia], revisi 27685684 (2025-08-16T09:14:56Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.		Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Augmentasi+data&oldid=27685684 Wikipedia bahasa Indonesia], revisi 27685684 (2025-08-16T09:14:56Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

			<!-- WIKI_UNISSULA_PRESENTATION_V4 -->

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 27685684; atribusi sumber disertakan.

2026-08-23T03:58:20Z

Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 27685684; atribusi sumber disertakan.

Halaman baru

}

'''Augmentasi data''' ([[bahasa Inggris]]: ''data augmentation'') adalah teknik statistik yang memungkinkan [[Estimasi kemungkinan maksimum|estimasi ''maximum likelihood'']] (peluang maksimum) dari data yang tidak lengkap. Teknik ini memiliki peran penting dalam [[analisis Bayes]] dan banyak digunakan dalam [[pemelajaran mesin]] untuk mengurangi ''[[overfitting]]'' saat melatih model yang dicapai dengan melatih model menggunakan beberapa salinan data yang telah dimodifikasi secara halus dari data asli.

== Teknik oversampling sintetis untuk pemelajaran mesin tradisional ==
'''Synthetic Minority Over-sampling (SMOTE)''' adalah metode yang digunakan untuk mengatasi ketidakseimbangan data dalam pemelajaran mesin. Pada dataset yang seperti itu, jumlah sampel di setiap kelas berbeda jauh sehingga kinerja model cenderung bias. Misalnya, dalam dataset diagnosis medis yang memiliki 90 sampel orang sehat dan hanya 10 sampel pasien dengan penyakit tertentu, model algoritma tradisional akan mungkin kesulitan mengklasifikasikan kelas minoritas dengan akurat.

SMOTE mengatasi masalah tersebut dengan menghasilkan sampel sintetis untuk kelas minoritas. Sebagai contoh, jika ada 100 sampel di kelas mayoritas dan 10 sampel di kelas minoritas, SMOTE akan membuat sampel baru dengan memilih secara acak satu sampel kelas minoritas beserta tetangganya yang terdekat. Setelah itu, SMOTE akan membuat sampel baru di sepanjang garis yang menghubungkan sampel-sampel tersebut. Proses ini membantu meningkatkan representasi kelas minoritas sehingga membantu meningkatkan kinerja model.

== Augmentasi data untuk klasifikasi citra ==
Saat [[jaringan saraf konvolusional]] mulai berkembang pesat pada pertengahan tahun 1990-an, ketersediaan data masih sangat terbatas, apalagi mengingat sebagian data harus disisihkan untuk pengujian. Untuk mengatasi hal ini, parap peneliti mengusulkan metode modifikasi data yang ada dengan transformasi afin untuk menghasilkan contoh baru dengan label yang sama. Pendekatan ini kemudian diperkuat dengan penggunaan distorsi elastis pada tahun 2003. Teknik ini menjadi sangat popler dan banyak digunakan sejak 2010-an. Selain mampu meningkatkan kinerja CNN, augmentasi data juga berfungsi sebagai langkah perlindungan terhadap serangan ''profiling'' yang menargetkan CNN.

Augmentasi data kini menjadi elemen penting dalam klasifikasi citra, yaitu dengan memperkaya variasi dataset pelatihan untuk meningkatkan kemampuan generalisasi dan kinerja model. Seiring perkembangannya, praktik ini telah menghadirkan berbagai teknik yang luas, termasuk transformasi geometris, penyesuaian ruang warna, dan penambahan derah (''noice injection'').

=== 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, [[Kewarna-warnian|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|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 Cacat|piksel mati]] .

== Augmentasi data untuk pemrosesan sinyal ==
[[Pendayasahajaan (statistik)|Pendayasahajaan residual atau blok]] dapat digunakan untuk augmentasi deret waktu.

=== 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.

Pendekatan-pendekatan ini juga penting dalam [[elektroensefalografi]] (rekaman gelombang otak). Wang, dkk. mengeksplorasi ide penggunaan [[Jaringan saraf konvolusional|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.

Salah satu pendekatan umum adalah menghasilkan sinyal sintetis adalah dengan mengatur ulang komponen dari data asli. Lotte mengusulkan sebuah metode ''“Artificial Trial Generation Based on Analogy”'' yang memiliki tiga contoh data <math>x_{1}, x_{2}, x_{3}</math> yang lalu digunakan untuk menghasilkan data buatan <math>x_{synthetic}</math> yang <math>x_{3}</math> adalah <math>x_{2}</math> bagi <math>x_{1}</math>. Sebuah transformasi kemudian dilakukan pada <math>x_{1}</math> untuk menjadikannya lebih mirip pada <math>x_{2}</math>. Lalu, transformasi yang sama kemudian diterapkan pada <math>x_{3}</math> yang menghasilkan <math>x_{synthetic}</math>. 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 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. 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. 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. Pada tahun 2022, Yang, dkk., mengintegrasikan ''constraints'' (kendala), optimisasi, dan kontrol ke dalam kerangka jaringan de''ep 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.

== Lihat juga ==

* [[Oversampling dan undersampling dalam analisis data]]
* [[Data pengganti]]
* [[Jaringan adversarial generatif]]
* [[Autoencoder variasional]]
* [[Pra-pemrosesan data]]
* [[Jaringan saraf konvolusional]]
* [[Regularisasi (matematika)]]
* [[Persiapan data]]
* [[Penggabungan data]]

== Referensi ==

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Augmentasi+data&oldid=27685684 Wikipedia bahasa Indonesia], revisi 27685684 (2025-08-16T09:14:56Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.