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.
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:
Jasa Arduino Bandung Internet of Things Bandung. Jasa Arduino Surabaya Internet of Things Surabaya. Jasa Arduino Jakarta Internet of Things Jakarta. Jasa Arduino Depok. Jasa Arduino Malang. Jasa Arduino Bandung. Jasa Arduino Batam. Jasa Arduino Bekasi. Jasa Arduino Surabaya. Jasa Arduino Semarang. Jasa Arduino Surakarta. Jasa Arduino Pekanbaru. Jasa Arduino Tangerang Selatan. Jasa Arduino Bekasi. Jasa Arduino Makassar. Jasa Arduino Tangerang. Jasa Arduino Medan. Jasa Arduino Palembang. Jasa Arduino Jogja. Jasa Arduino Yogyakarta.