OPTIMALISASI ADAPTIVE KERNEL CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ALGORITMA ADAGRAD

Azhar, Jajang Khairil (2022) OPTIMALISASI ADAPTIVE KERNEL CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ALGORITMA ADAGRAD. Sarjana thesis, Universitas Siliwangi.

[img] Text
1. COVER.pdf
Download (44kB)
[img] Text
2. LEMBAR PENGESAHAN.pdf
Download (421kB)
[img] Text
3. ABSTRAK.pdf
Download (14kB)
[img] Text
4. KATA PENGANTAR, DAFTAR ISI, DAFTAR TABEL, DAFTAR GAMBAR.pdf
Download (134kB)
[img] Text
5. BAB I.pdf
Download (28kB)
[img] Text
6. BAB II.pdf
Download (362kB)
[img] Text
7. BAB III.pdf
Download (613kB)
[img] Text
8. BAB IV.pdf
Restricted to Repository staff only
Download (499kB)
[img] Text
9. BAB V.pdf
Restricted to Repository staff only
Download (14kB)
[img] Text
10. DAFTAR PUSTAKA.pdf
Download (137kB)
[img] Text
11. LAMPIRAN.pdf
Restricted to Repository staff only
Download (1MB)

Abstract

ABSTRAK CNN memiliki kekurangan dalam hal proses training model yang lama. Lamanya proses training dikarena banyak dari penelitian menambahkan jumlah layer untuk meningkatkan akurasi pada modelnya. Metode Adaptive Kernel CNN merupakan sebuah metode yang akan memberikan kemampuan CNN untuk melakukan adaptasi dengan memilih ukuran kernel optimal yang akan digunakan pada model. Sehingga proses training model akan berjalan lebih cepat tanpa mengurangi akurasi yang dihasilkan. Selain itu, semakin kecil learning rate (lr) yang digunakan maka proses training akan semakin lama dengan konsekuensi akurasi akan semakin besar, begitupun sebaliknya. Algoritma Adagrad mempunyai kelebihan yaitu dapat melakukan perubahan pada lr dengan membaginya kedalam ukuran yang lebih kecil. Tujuan penelitian ini untuk mengoptimalisasi model Adaptive Kernel CNN dengan menggunakan adagrad, sehingga menghasilkan model dengan proses training yang cepat akan tetapi tetap meningkatkan hasil akurasinya. Jenis penelitian adalah kuantitatif dengan pendekatan eksperimen. Sedangkan, teknik pengambilan sampel pada umumnya dilakukan secara acak dan analisis data bersifat statistik. Berdasarkan eksperimen penelitian, model berhasil meningkatkan hasil akurasi. Model dengan ukuran kernel 3 dan lr 0,01 memiliki hasil akurasi tertinggi yaitu 99,09% dengan penggunaan memori sebesar 3,16 GigaByte. Peningkatan akurasi terjadi karena semakin kecil ukuran kernel dan lr, maka akan mempersingkat waktu proses training model yang berimbas pada semakin meningkatnya akurasi yang dihasilkan. Hasil penelitian ini juga berhasil mengungguli model lain yang menjadi pembanding utama dengan akurasi 98,1%, akan tetapi masih kalah dalam efektivitas penggunaan memori yaitu sebesar 3,10 GigaByte. Kata Kunci: Adaptive Kernel, CNN, Learning Rate, AdaGrad. Kepustakaan (1980-2021)

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Rema Puri Irma Sri Katon
Date Deposited: 14 Dec 2022 03:32
Last Modified: 14 Dec 2022 03:32
URI: http://repositori.unsil.ac.id/id/eprint/7652

Actions (login required)

View Item View Item