Perpustakaan Digital ITB

Penelitian ini dilatarbelakangi oleh kebutuhan untuk meningkatkan kinerja model self-supervised learning, khususnya pada arsitektur Momentum Contrastive versi 2 (MoCo v2). Penelitian ini bertujuan untuk mengembangkan model MoCo v2 yang lebih robust dan akurat dengan menambahkan mekanisme K-Nearest Neighbors (KNN) pada queue. Metode penelitian yang digunakan adalah eksperimen dengan memodifikasi arsitektur MoCo v2 melalui integrasi KNN untuk memfilter queue dan memilih representasi positif yang lebih kuat. Hasil penelitian menunjukkan bahwa MoCo v2 + KNN memberikan peningkatan akurasi sebesar 5% yaitu menjadi 87.7% pada dataset CIFAR-10 dibandingkan dengan model baseline MoCo v2. Pemanfaatan KNN dalam memfilter queue terbukti efektif dalam memilih representasi positif yang lebih diskriminatif, sehingga meningkatkan kinerja model. Lebih lanjut, MoCo v2 + KNN menunjukkan resistensi yang lebih baik terhadap jumlah queue yang besar, mengatasi kelemahan MoCo v2 yang sensitif terhadap ukuran queue yang berlebihan. Penelitian ini juga memanfaatkan augmentasi data yang kuat, yang terbukti efektif dalam meningkatkan robustnes model berdasarkan penelitian sebelumnya. Kesimpulannya, penambahan KNN untuk filtering queue MoCo v2 berhasil meningkatkan akurasi sebesar 5% apabila dibandingkan dengan MoCo v2 baseline, resistensi terhadap ukuran queue, dan secara keseluruhan kinerja model self-supervised learning. Penelitian ini menekankan potensi penggabungan KNN ke dalam MoCo v2 pada pengembangan metode selfsupervised learning untuk deteksi objek.