Pengguna:KhalilullahAlFaath/Jaringan saraf konvolusional: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
penambahan konten Tag: Suntingan perangkat seluler Suntingan peramban seluler |
Penambahan Konten Tag: VisualEditor Suntingan perangkat seluler Suntingan peramban seluler |
||
Baris 3:
{{Other uses|CNN (disambiguasi)}}
{{Pemelajaran mesin|Jaringan saraf konvolusional}}
'''Jaringan saraf konvolusional''' ([[bahasa Inggris]]: ''Convolutional Neural Network'') yang biasa disingkat '''CNN''' adalah jaringan saraf umpan maju te[[regularisasi (matematika)|regularisasi]] yang dapat meng[[ekstraksi fitur]] sendiri dengan menggunakan optimasi [[filter (pemrosesan sinyal)|filter]] (atau kernel).
CNN diaplikasikan pada:
Baris 24:
[[Jaringan saraf umpan maju]] atau ''feed-forward neural networks'' umumnya merupakan jaringan yang terhubung sepenuhnya. Maksudnya, setiap neuron di [[Lapisan (pemelajaran dalam)|lapisan]] tertentu terhubung dengan semua neuron yang ada di lapisan setelahnya. “Keterhubungan penuh” ini menyebabkan jaringan menjadi rentan terhadap [[overfitting|''overfitting'']]. Cara-cara regularisasi atau pencegahan ''overfitting'' yang umum digunakan, adalah pengurangan parameter ketika pelatihan, seperti ''weight decay'' (peluruhan bobot) atau pemangkasan konektivitas, seperti penggunaan skip connection, dropout, dll. Selain itu, penggunaan dataset yang kokoh (robust) dapat meningkatkan probabilitas kemampuan CNN untuk mempelajari prinsip-prinsip yang diperumum yang dapat mewakilkan karakter dataset, bukan bias-bias dari dataset yang tidak mewakilkan keseluruhan populasi.<ref>{{Cite journal |last=Kurtzman |first=Thomas |date=August 20, 2019 |title=Hidden bias in the DUD-E dataset leads to misleading performance of deep learning in structure-based virtual screening |journal=PLOS ONE|volume=14 |issue=8 |pages=e0220113 |doi=10.1371/journal.pone.0220113 |pmid=31430292 |pmc=6701836 |bibcode=2019PLoSO..1420113C |doi-access=free }}</ref>
Jaringan konvolusional [[biologi matematika dan teori|terinspirasi]] oleh proses [[biologis]]<ref name=fukuneoscholar/><ref name="hubelwiesel1968"/><ref name="intro"/><ref name="robust face detection">{{cite journal |last=Matusugu |first=Masakazu |year=2003 |title=Subject independent facial expression recognition with robust face detection using a convolutional neural network |url=http://www.iro.umontreal.ca/~pift6080/H09/documents/papers/sparse/matsugo_etal_face_expression_conv_nnet.pdf |journal=Neural Networks |volume=16 |issue=5 |pages=555–559 |doi=10.1016/S0893-6080(03)00115-1 |pmid=12850007 |author2=Katsuhiko Mori |author3=Yusuke Mitari |author4=Yuji Kaneda |access-date=17 November 2013 |archive-date=13 December 2013 |archive-url=https://web.archive.org/web/20131213022740/http://www.iro.umontreal.ca/~pift6080/H09/documents/papers/sparse/matsugo_etal_face_expression_conv_nnet.pdf |url-status=live }}</ref>, terkait pola koneksi antar-[[neuron tiruan|neuron]] yang menyerupai organisasi [[korteks visual]] hewan. Setiap neuron kortikal tersebut merespons rangsangan hanya pada [[bidang visual]] terbatas yang biasa disebut sebagai [[bidang reseptif]]. Bidang reseptif pada neuron yang berbeda saling sebagiannya tumpang tindih sehingga dapat menutupi seluruh bidang visual.
CNN menggunakan pra-pemrosesan (pre-processing) yang relatif lebih sedikit, dibandingkan dengan [[klasifikasi citra|algoritma klasifikasi citra]] lain. Artinya, jaringan pada CNN dapat mengoptimasi [[filter (pemrosesan sinyal|filter]] atau kernel dengan pemelajaran otomatis, yang mana filter pada algoritma tradisional harus [[rekayasa fitur|direkayasa manual]].
Kelebihan besar CNN dalam pemodelannya oleh pengguna adalah CNN tidak memerlukan pengetahuan awal dan ekstraksi fitur manual.
{{TOC limit|3}}
| |||