Konsep Detail Jaringan Syaraf Tiruan Convolution Neural Network (Deep Learning)

  • Home
  • Blogs
  • Konsep Detail Jaringan Syaraf Tiruan Convolution Neural Network (Deep Learning)

Konsep Detail Jaringan Syaraf Tiruan Convolution Neural Network (Deep Learning)

Oct 12, 2018 0 Comment Android, Arduino, Artificial intelligence, E-Book, Internet Of Things, Mikrokontroler, Project, Soft Computing, Software, Tutorial elmech

Hallo Innovator... 

Sudah masanya semua sistem yang ada mengarah ke kecerdasan buatan (AI), dengan menggunakan AI sistem kita akan dimungkinkan lebih handal dan efisien namun harus dibarengi dengan kapasitas computing yang besar. Nah kali ini kami akan memberikan penjelasan mengenai metode AI yang sering digunakan yaitu Convolution Neural Network. Secara umum konvolusi didefinisikan sebagai cara untuk mengkombinasikan dua buah deret angka yang menghasilkan deret angka yang ketiga. Secara matematis, konvolusi adalah integral yang mencerminkan jumlah lingkupan dari sebuah fungsi a yang digeser atas fungsi b sehingga menghasilkan fungsi c. Konvolusi dilambangkan dengan asterisk. Sehingga, berarti fungsi a dikonvolusikan dengan fungsi b menghasilkan fungsi c. 

 
Convolution Neural Network sendiri adalah perpaduan antara konvolusi citra untuk proses ekstraksi feature, dan Nural Network untuk klasifikasi. Berdasarkan aristektur  LeNet5 (Stanford, 2016),  terdapat  4  macam  layer  utama pada  sebuah  CNN yaitu convolution layer, relu layer, subsampling layer, dan fully connected layer. Fungsi  layer  awal  sebagai metode  ekstraksi  fitur,  maka  jumlah  layer  dalam  sebuah  CNN tidak memiliki aturan universal dan berlaku berbedabeda tergantung dataset yang digunakan. Karena  hal  tersebut,  jumlah  layer  pada  jaringan  serta jumlah Neuron pada masing-masing  layer  dianggap sebagai hyper parameter  dan  dioptimasi  menggunakan  pendekatan searching. Berikut ini adalah penjelasan mengenai masing-masing layer.
 

1. Convolution Layer

Convolution Layer melakukan operasi konvolusi pada  output  dari  layer  sebelumnya.  Layer  tersebut dalah proses utama yang mendasari sebuah CNN. Konvolusi  adalah  suatu  istilah  matematis  yang berati  mengaplikasikan  sebuah  fungsi  pada  output fungsi  lain  secara  berulang. 

2. ReLu Layer

ReLu atau Rectified Linear Unit Layer, pada layer ini dapat diibaratkan seperti thresholding atau sama halnya seperti fungsi aktivasi pada jaringan syaraf tiruan. 

3. Subsampling layer

Subsampling  adalah proses mereduksi ukuran sebuah data citra.  Dalam  pengolahan  citra,  subsampling  juga bertujuan  untuk  meningkatkan  invariansi  posisi  dari fitur.  

4. Fully Connected Layer

Layer  tersebut adalah  layer  yang biasanya digunakan  dalam  penerapan  MLP  dan  bertujuan  untuk  melakukan transformasi  pada  dimensi  data  agar  data  dapat diklasifikasikan secara linear. 

Berikut adalah contoh arsitektur CNN yang telah kita gunakan.

Gambar 1. Arsitektur CNN

Nah untuk memudahkan teman-teman belajar mengenai CNN sudah saya cantumkan link download Paper yang telah saya buat. Jadi silahkan dipelajari teman-teman semoga dari paper saya teman-teman banyak menemukan gambaran detail tentang CNN. Kemudian jika teman-teman tidak keberatan saya mohon untuk mensitasi, atau mencantumkan paper yang saya buat ini di dalam referensi penelitian teman-teman seperti PAPER, JURNAL, BUKU TA, THESIS, dan DISERTASI. Terima kasih semoga kebaikan hati teman-teman berbuah ilmu yang bermanfaat. smiley

Download Paper:

Original Link Download:
https://ieeexplore.ieee.org/document/8124091

Jika ada yang kurang jelas atau teman-teman ada pertanyaan atau bantuan untuk pengerjaan CNN silahkan langsung hubungi kami dengan klik tombol chat dibawah ini:

Scroll to Top