OPTIMALISASI ADAPTIVE KERNEL
CONVOLUTIONAL NEURAL NETWORK
MENGGUNAKAN ALGORITMA ADAGRAD
Total View This Week0
Total View This Week0
Institusion
Universitas Siliwangi
Author
Azhar, Jajang Khairil
Subject
T Technology (General)
Datestamp
2022-12-14 03:32:30
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)
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)
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
