Computer File

Implementasi deep convolutional neural networks untuk klasifikasi citra

Jaringan syaraf tiruan adalah sebuah sistem kecerdasan yang meniru cara kerja neuronneuron pada otak. Jaringan syaraf tiruan terdiri dari kumpulan lapisan-lapisan pemrosesan yang digunakan untuk melakukan pengenalan pola. Salah satu masalah utama dalam penerapan jaringan syaraf tiruan adalah banyaknya jumlah dari lapisan yang dapat digunakan dalam proses pembelajaran suatu jaringan syaraf tiruan.
Terdapat tiga jenis lapisan pada jaringan syaraf tiruan, lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Lapisan tersembunyi merupakan lapisan yang berguna untuk melakukan pemrosesan data. Jaringan syaraf tiruan umumnya hanya terdiri dari satu hingga tiga lapisan tersembunyi, arsitektur seperti ini yang biasa disebut sebagai shallow architecture. Jaringan syaraf tiruan dengan shallow architecture tidaklah cocok untuk menyelesaikan permasalahan dalam kehidupan sehari-hari. Untuk menangani masalah ini digunakan suatu desain arsitektur yang dapat menggunakan banyak lapisan tersembunyi disebut sebagai deep learning.
Penelitian ini akan berfokus pada salah satu jenis jaringan syaraf tiruan feed forward neural network bernama convolutional neural network dengan menerapkan deep learning menjadi deep convolutional neural network, dengan fokus pada objek citra. Permasalahan yang diangkat dalam penelitian ini adalah pengklasifikasian citra menggunakan convolutional neural network, hal ini dikarenakan convolutional neural network cocok untuk menganalisa data berbentuk gambar. Ide utama dari convolutional neural network adalah penggunaan operasi konvolusi dan pooling untuk mengekstraksi fitur-fitur unik pada gambar. Hal ini didasari karena pada gambar terdapat properti stationary pada gambar yang dapat digunakan sebagai fitur-fitur penentu. Algoritma pembelajaran yang digunakan untuk jarigan syaraf ini adalah backpropagation yang akan disesuaikan terhadap deep convolutional neural network. Salah satu fokus penelitian ini adalah pemahaman terhadap rumus-rumus yang akan digunakan dalam algoritma pembelajaran backpropagation yang akan digunakan.
Pada penelitian ini semua algoritma akan diimplementasikan menggunakan bahasa pemrograman Java. Untuk menilai seberapa baik model yang telah dibangun akan digunakan nilai tingkat kesalahan, akurasi dan juga waktu pembelajaran. Kesimpulan pertama yang didapat dari penelitian ini adalah pembelajaran serta penerapan algoritma pembelajaran backpropagation untuk deep convolutional neural network telah berhasil diimplementasikan untuk membangun aplikasi yang dapat mengklasifikasikan citra. Kedua banyaknya kedalaman suatu lapisan berbanding lurus dengan akurasi dari model yang dibangun.

Kata-kata kunci: Deep Learning, Jaringan Syaraf Tiruan, JST, Convolutional Neural Network, Konvolusi, Pooling, Propagasi Mundur

Ketersediaan

Informasi Detail

Judul Seri

No. Panggil

INFO CHR i/16

Penerbit

Bandung : Program Studi Teknik Informatika Fakultas Teknologi Informasi dan Sains - UNPAR., 2016

Deskripsi Fisik

xxi, 154 p. : il. ; 30 cm.

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

-

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

1285 - FTIS

Pernyataan Tanggungjawab

Steven Christian

Versi lain/terkait

Lampiran Berkas

Komentar