PENGUKURAN PERFORMA KOMBINASI FUNGSI AKTIVASI DAN OPTIMASI PADA MODEL CNN

MAY GIGSY, GYMNASTIAR (2019) PENGUKURAN PERFORMA KOMBINASI FUNGSI AKTIVASI DAN OPTIMASI PADA MODEL CNN. Sarjana thesis, Universitas Siliwangi.

	Text 1. Judul.pdf Download (226kB)
	Text bab 1.pdf Download (172kB)
	Text bab 2.pdf Restricted to Repository staff only Download (746kB)
	Text bab 3.pdf Restricted to Repository staff only Download (210kB)
	Text bab 4.pdf Restricted to Repository staff only Download (1MB)
	Text bab 5.pdf Restricted to Repository staff only Download (86kB)
	Text DAFTAR PUSTAKA.pdf Download (178kB)

Abstract

ABSTRAK Image classification adalah salah satu contoh penerapan dari machine learning yang berperan dalam pengelompokan suatu gambar ke dalam suatu kategori tertentu. Salah satu metode machine learning untuk melakukan hal tersebut adalah Convolutional Neural Network (CNN). CNN termasuk kedalam jenis Deep Neural Network (DNN) yang didesain untuk mengelolah data dua dimensi dalam bentuk citra. Performa CNN akan sebanding dengan jumlah layer yang dibangun, jadi semakin banyak layer maka akan semakin efektif hasil akurasinya. Namun menghasilkan permasalahan yaitu membutuhkan waktu yang lama untuk proses trainingnya. Solusi untuk mengatasi permasalahan tersebut adalah dengan menggunakan activation function dan optimizer yang sesuai dengan model CNN yang dibangun. Pada penelitian ini, telah dibandingkan delapan kombinasi activation function (Elu, Relu, PRelu, Leaky Relu) dan optimizer (AdaBound, Adam). Dari hasil pengujian, kombinasi Elu + AdaBound yang diterapkan pada model CNN 15 layer yang digunakan untuk melatih 70.000 gambar dari dataset fashion mnist menghasilkan akurasi 91.19% dengan waktu training 16 menit 49 detik dan menjadi waktu tercepat diantara kombinasi lainnya. Dan pada model CNN 10 layer pun kombinasi Elu + Adabound menghasilkan waktu training tercepat 9 menit 43 detik dengan akurasi 89.99%. Namun pada model CNN 5 layer, kombinasi Relu + Adam lah yang menghasilkan waktu traning tercepat 8 menit 6 detik dengan akurasi 88.94%. Kata kunci – AdaBound, Deep Learning, Exponential Linear Unit

Actions (login required)

View Item