Pengaruh Jumlah Data Set terhadap Akurasi Pengenalan dalam Deep Convolutional Network

Wiwien Widystuti(1*), Budi Darmawan(2)

(1) 
(2) 
(*) Corresponding Author

Abstract


Deep convolutional Networks(Convnet)merupakan algoritma dalam machine learning yang sering dipakai untuk sistem pengenalan pola. Banyak parameter yang mempengaruhi unjuk kerja pengenalan pola menggunakan deep ConvNets di antaranya adalah jumlah data set yang digunakan untuk melatih jaringan. Penelitian ini menerapkan variasi jumlah data set untuk melihat pengaruhnya pada akurasi pengenalan. Arsitektur Deep Convnets yang digunakan berisi dua lapisan konvolutional masing-masing diikuti dengan lapisan max-pooling, dan dua lapisan Fully-Connected. Data set yang digunakan adalah MNIST yang berisi 10 digit tulisan tangan. Variasi jumlah data set dari 100 sd 60.000. Pelatihan dilakukan dengan computer yang mengimplementasikan GPU menggunakan CUDA 384 core. Hasil penelitian menunjukkan bahwa jumlah data set berpengaruh positif terhadap akurasi pengenalan. Data set terendah berjumlah 100 data menghasilkan akurasi 71,875. Data set tertinggi berjumlah 60.000 data menghasilkan akurasi 98,9406.

Full Text:

PDF

References


Yann L, Yoshua B, Geoffrey H. Deep Learning. Nature.2015; 521:436-444.

Alex K, Ilya S, Geoffrey H. ImageNet Classification with Deep Convolutional Neural Network. Neural Information Processing Systems Conference.2012.

Pierre S, Soumith C, Yann L. Convolutional Neural Networks Applied to House Numbers Digit Classification. International Conference on Pattern Recognition (ICPR 2012). 2012.

Adrian R, Lenet – Convolutional Neural Network in Python. Deep Learning Tutorials. 2016.

Yan L, Bottou, Bengio, Haffner. Gradient-based Learning Applied to Document Recognition. Proc. IEEE. 1998; 86(11): 2278–2324.


Refbacks

  • There are currently no refbacks.