设计图像分类,以深度学习为基础的神经对等方法技术

Ari Peryanto, A. Yudhana, R. Umar
{"title":"设计图像分类,以深度学习为基础的神经对等方法技术","authors":"Ari Peryanto, A. Yudhana, R. Umar","doi":"10.22441/FORMAT.2019.V8.I2.007","DOIUrl":null,"url":null,"abstract":"Dengan berkembang pesatnya teknologi saat ini, mengakibatkan Deep Learning menjadi salah satu metode machine learning yang sangat diminati. Teknologi GPU Acceleration menjadi salah satu sebab dari pesatnya perkembangan Deep Learning. Deep learning sangat cocok digunakan untuk memecahkan permasalahan klasik dalam Computer Vision, yaitu dalam pengklasifikasian citra. Salah satu metode dalam deep  learning yang  sering digunakan dalam pengolah  citra  adalah  Convolutional Neural Network dan merupakan pengembangan dari Multi Layer Perceptron. Pada penelitian ini pengimplementasian  metode ini dilakukan  menggunakan library  keras dengan bahasa pemrograman phyton.  Pada  proses  training  menggunakan  Convolutional  Neural  Network,  dilakukan  setting  jumlah epoch dan memperbesar ukuran data training untuk meningkatkan akurasi dalam pengklasifikasian citra. Ukuran yang digunakan adalah 32x32, 64x64 dan 128x128. Proses training dengan jumlah epoch 40 dan ukuran 32x32 didapat nilai akurasi tertinggi yang mencapai 98,02% dan rata-rata akurasi tertinggi yaitu 97,56 %, serta  akurasi sistem sebesar 96,64%.","PeriodicalId":381291,"journal":{"name":"Format : Jurnal Ilmiah Teknik Informatika","volume":"7 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2020-02-04","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"15","resultStr":"{\"title\":\"Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network\",\"authors\":\"Ari Peryanto, A. Yudhana, R. Umar\",\"doi\":\"10.22441/FORMAT.2019.V8.I2.007\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Dengan berkembang pesatnya teknologi saat ini, mengakibatkan Deep Learning menjadi salah satu metode machine learning yang sangat diminati. Teknologi GPU Acceleration menjadi salah satu sebab dari pesatnya perkembangan Deep Learning. Deep learning sangat cocok digunakan untuk memecahkan permasalahan klasik dalam Computer Vision, yaitu dalam pengklasifikasian citra. Salah satu metode dalam deep  learning yang  sering digunakan dalam pengolah  citra  adalah  Convolutional Neural Network dan merupakan pengembangan dari Multi Layer Perceptron. Pada penelitian ini pengimplementasian  metode ini dilakukan  menggunakan library  keras dengan bahasa pemrograman phyton.  Pada  proses  training  menggunakan  Convolutional  Neural  Network,  dilakukan  setting  jumlah epoch dan memperbesar ukuran data training untuk meningkatkan akurasi dalam pengklasifikasian citra. Ukuran yang digunakan adalah 32x32, 64x64 dan 128x128. Proses training dengan jumlah epoch 40 dan ukuran 32x32 didapat nilai akurasi tertinggi yang mencapai 98,02% dan rata-rata akurasi tertinggi yaitu 97,56 %, serta  akurasi sistem sebesar 96,64%.\",\"PeriodicalId\":381291,\"journal\":{\"name\":\"Format : Jurnal Ilmiah Teknik Informatika\",\"volume\":\"7 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2020-02-04\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"15\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Format : Jurnal Ilmiah Teknik Informatika\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.22441/FORMAT.2019.V8.I2.007\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Format : Jurnal Ilmiah Teknik Informatika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.22441/FORMAT.2019.V8.I2.007","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 15

摘要

随着目前技术的快速发展,深度学习成为最受欢迎的学习方法之一。GPU加速技术成为深度学习发展的原因之一。深度学习非常适合解决计算机愿景的经典问题,也就是图像分类。深度学习在图像处理中经常使用的一种方法是神经通路网络,是多层Perceptron的发展。在这项研究中,该方法使用硬库与蟒蛇编程语言进行应用。在培训过程中,使用神经连接网络,对epoch的数量进行设置和放大培训数据的大小,以提高图像的准确性。使用的尺寸是32x32, 64x64和128x128。在epoch 40和尺寸32x32的训练过程中,准确率最高达到98.02%,平均准确率为97.56 %,系统准确率为96.64%。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
查看原文
分享 分享
微信好友 朋友圈 QQ好友 复制链接
本刊更多论文
Rancang Bangun Klasifikasi Citra Dengan Teknologi Deep Learning Berbasis Metode Convolutional Neural Network
Dengan berkembang pesatnya teknologi saat ini, mengakibatkan Deep Learning menjadi salah satu metode machine learning yang sangat diminati. Teknologi GPU Acceleration menjadi salah satu sebab dari pesatnya perkembangan Deep Learning. Deep learning sangat cocok digunakan untuk memecahkan permasalahan klasik dalam Computer Vision, yaitu dalam pengklasifikasian citra. Salah satu metode dalam deep  learning yang  sering digunakan dalam pengolah  citra  adalah  Convolutional Neural Network dan merupakan pengembangan dari Multi Layer Perceptron. Pada penelitian ini pengimplementasian  metode ini dilakukan  menggunakan library  keras dengan bahasa pemrograman phyton.  Pada  proses  training  menggunakan  Convolutional  Neural  Network,  dilakukan  setting  jumlah epoch dan memperbesar ukuran data training untuk meningkatkan akurasi dalam pengklasifikasian citra. Ukuran yang digunakan adalah 32x32, 64x64 dan 128x128. Proses training dengan jumlah epoch 40 dan ukuran 32x32 didapat nilai akurasi tertinggi yang mencapai 98,02% dan rata-rata akurasi tertinggi yaitu 97,56 %, serta  akurasi sistem sebesar 96,64%.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
期刊最新文献
Analisis Fitur Pada Citra Gestur Tangan Sistem Isyarat Bahasa Indonesia Emotional Text Detection dengan Long Short Term Memory (LSTM) Penerapan Metode Cosine Similarity Dalam Mendeteksi Plagiarisme Pada Jurnal Implementasi Algoritma Searching Untuk Pencarian Produk dan SMTP Sistem Pengiriman Email pada Toko Ono Celluler Optimalisasi Overload Traffic Dan Request Cloud Environment Menggunakan Metode Content Delivery Network Dan Private Zone Di RCTI+
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
已复制链接
已复制链接
快去分享给好友吧!
我知道了
×
扫码分享
扫码分享
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1