Image Classification With Convolutional Neural Network

Cara Neural Network Bekerja

Neural Network dapat dianalogikan sebagaimana halnya manusia belajar dengan mengunakan contoh atau yang disebut sebagai supervised learning. Sebuah Neural Network dikonfigurasi untuk aplikasi tertentu, seperti pengenalan pola atau klasifikasi data, dan kemudian disempurnakan melalui proses pembelajaran. Proses belajar yang terjadi dalam sistem biologis melibatkan penyesuaian koneksi sinaptik yang ada antara neuron, dalam halnya pada Neural Network penyesuaian koneksi sinaptik antar neuron dilakukan dengan menyesuaikan nilai bobot yang ada pada tiap konektivitas baik dari input, neuron maupun output

Layer Neural Network

Pada layar pertama bekerja sebagai input data yang masuk kedalam system yang terdapat pada layer input selalu terhubung dengan setiap neuron.

Pada layar kedua bekerja sebagai hidden layer Neuron ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-layer secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang terletak di antara input dan output .

Fungsi aktivasinya. Gambar di atas menjelaskan struktur secara mendasar,

1. Input, berfungsi seperti dendrite
2. Output, berfungsi seperti akson
3. Fungsi aktivasi, berfungsi seperti sinapsis

Neural network dibangun dari banyak node/unit yang dihubungkan oleh link secara langsung. Link dari unit yang satu ke unit yang lainnya digunakan untuk melakukan propagasi aktivasi dari unit pertama ke unit selanjutnya. Setiap link memiliki bobot numerik. Bobot ini menentukan kekuatan serta penanda dari sebuah konektivitas.

STRIDES DAN PADDING

Strides adalah sebuah kotak gambar yang memiliki kotak-kotak kecil untuk komputer membaca gambar. Pada dasarnya komputer membaca kotak gambar dari kiri ke kanan dan dari atas ke bawah. Oleh karena itu dimulai dari sudut kiri atas sampai ke sudut kanan bawah. Selain itu, ia membaca gambar dengan ukuran yang pasti.

Padding adalah lapisan untuk menambahkan piksel ekstra di luar gambar. seperti pada gambar dibawah ini

Jika zero padding = 1, akan ada tebal satu piksel di sekitar gambar asli dengan nilai piksel = 0. Setiap kali menggunakan filter untuk memindai gambar maka ukuran gambar akan semakin kecil.

Fungsi aktivasinya. Gambar di atas menjelaskan struktur secara mendasar,

1. Input, berfungsi seperti dendrite
2. Output, berfungsi seperti akson
3. Fungsi aktivasi, berfungsi seperti sinapsis

POOLING LAYER

Pooling layer biasanya berada setelah conv. layer. Pada prinsipnya pooling layer terdiri dari sebuah filter dengan ukuran dan stride tertentu yang akan bergeser pada seluruh area feature map.

BACKPROPAGATION

Backpropagation merupakan salah satu bagian dari Neural Network. Backpropagation merupakan metode pelatihan terawasi (supervised learning), dalam artian mempunyai target yang akan dicari. ciri dari Backpropagation adalah meminimalkan error pada output yang dihasilkan oleh jaringan. dalam metode backpropagation, biasanya digunakan jaringan multilayer.

Jaringan multilayer yang dimaksud adalah layer yang terdiri dari input layer (layer masukan), hidden layer (layer tersembunyi), output layer (layer keluaran). Dalam pengembangannya, hidden layer dapat terdiri dari satu atau lebih unit hidden layer.

Pada gambar, diperlihatkan arsitektur jaringan backpropagation dengan satu unit hidden layer. Xi adalah unit input layer, Zj adalah unit hidden layer, dan Yk adalah unit output layer. Setiap unit memiliki bobotnya masing-masing. Vij adalah bobot dari unit input layer ke unit hidden layer dan Wjk adalah bobot dari unit hidden layer ke unit output layer.

Akurasi Uji

Akurasi didefinisikan sebagai persentase dari data uji yang diklasifikasikan ke kelas yang benar. Akurasi dapat dinyatakan dalam persamaan berikut.