Optimalisasi Hyper Parameter Convolutional Neural Networks Menggunakan Ant Colony Optimization
Berbagai bidang, termasuk pertanian dan kesehatan, mengalami masalah klasifikasi citra yang dapat diatasi melalui beberapa metode. Salah satu metode tersebut menggabungkan convolutional neural networks (CNN) dengan deep learning, tetapi hyperparameter, seperti fungsi loss, fungsi aktivasi, dan optim...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2024-08-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Subjects: | |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/7105 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1823858629474779136 |
|---|---|
| author | Fian Yulio Santoso Eko Sediyono Hindriyanto Dwi Purnomo |
| author_facet | Fian Yulio Santoso Eko Sediyono Hindriyanto Dwi Purnomo |
| author_sort | Fian Yulio Santoso |
| collection | DOAJ |
| description | Berbagai bidang, termasuk pertanian dan kesehatan, mengalami masalah klasifikasi citra yang dapat diatasi melalui beberapa metode. Salah satu metode tersebut menggabungkan convolutional neural networks (CNN) dengan deep learning, tetapi hyperparameter, seperti fungsi loss, fungsi aktivasi, dan optimizers, memengaruhi kinerjanya. Hyperparameter ini memerlukan pengoptimalan, dan metode yang ada, seperti algoritma genetika dan pengoptimalan ant colony, dapat digunakan untuk tujuan ini. Pengoptimalan ant colony terbukti efektif dalam mengoptimalkan deep learning, dan penelitian ini berkontribusi pada penyetelan otomatis berbagai hyperparameter menggunakan ant colony untuk klasifikasi gambar. Pada penelitian ini menggunakan dataset MNIST yang bertujuan untuk mengidentifikasi digit pada citra. Dataset yang digunakan terbagi menjadi 2, dataset pelatihan dan dataset validasi. Dataset pelatihan terdiri dari 33.600 gambar, dan dataset validasi terdiri dari 8.400 gambar. Hasil menunjukkan bahwa optimasi ant colony mencapai akurasi 97,46% dengan data validasi dan 99,69% dengan data pelatihan, yang mengungguli algoritma genetika dengan akurasi masing-masing 94,60% dan 97,59% dengan data validasi dan pelatihan. Selain itu, pengoptimalan ant colony membutuhkan waktu 27,94 detik untuk dilatih, sedangkan algoritme genetika membutuhkan 22,25 detik. |
| format | Article |
| id | doaj-art-800cfe561456405f9850a88aaa92e0d9 |
| institution | Kabale University |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| publishDate | 2024-08-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj-art-800cfe561456405f9850a88aaa92e0d92025-02-11T10:37:47ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792024-08-0111210.25126/jtiik.20241127105Optimalisasi Hyper Parameter Convolutional Neural Networks Menggunakan Ant Colony OptimizationFian Yulio Santoso0Eko Sediyono1Hindriyanto Dwi Purnomo2Universitas Kristen Satya Wacana, SalatigaUniversitas Kristen Satya Wacana, SalatigaUniversitas Kristen Satya Wacana, SalatigaBerbagai bidang, termasuk pertanian dan kesehatan, mengalami masalah klasifikasi citra yang dapat diatasi melalui beberapa metode. Salah satu metode tersebut menggabungkan convolutional neural networks (CNN) dengan deep learning, tetapi hyperparameter, seperti fungsi loss, fungsi aktivasi, dan optimizers, memengaruhi kinerjanya. Hyperparameter ini memerlukan pengoptimalan, dan metode yang ada, seperti algoritma genetika dan pengoptimalan ant colony, dapat digunakan untuk tujuan ini. Pengoptimalan ant colony terbukti efektif dalam mengoptimalkan deep learning, dan penelitian ini berkontribusi pada penyetelan otomatis berbagai hyperparameter menggunakan ant colony untuk klasifikasi gambar. Pada penelitian ini menggunakan dataset MNIST yang bertujuan untuk mengidentifikasi digit pada citra. Dataset yang digunakan terbagi menjadi 2, dataset pelatihan dan dataset validasi. Dataset pelatihan terdiri dari 33.600 gambar, dan dataset validasi terdiri dari 8.400 gambar. Hasil menunjukkan bahwa optimasi ant colony mencapai akurasi 97,46% dengan data validasi dan 99,69% dengan data pelatihan, yang mengungguli algoritma genetika dengan akurasi masing-masing 94,60% dan 97,59% dengan data validasi dan pelatihan. Selain itu, pengoptimalan ant colony membutuhkan waktu 27,94 detik untuk dilatih, sedangkan algoritme genetika membutuhkan 22,25 detik.https://jtiik.ub.ac.id/index.php/jtiik/article/view/7105hyperparameter auto-tuningdeep neural networkant colonyalgoritma genetika |
| spellingShingle | Fian Yulio Santoso Eko Sediyono Hindriyanto Dwi Purnomo Optimalisasi Hyper Parameter Convolutional Neural Networks Menggunakan Ant Colony Optimization Jurnal Teknologi Informasi dan Ilmu Komputer hyperparameter auto-tuning deep neural network ant colony algoritma genetika |
| title | Optimalisasi Hyper Parameter Convolutional Neural Networks Menggunakan Ant Colony Optimization |
| title_full | Optimalisasi Hyper Parameter Convolutional Neural Networks Menggunakan Ant Colony Optimization |
| title_fullStr | Optimalisasi Hyper Parameter Convolutional Neural Networks Menggunakan Ant Colony Optimization |
| title_full_unstemmed | Optimalisasi Hyper Parameter Convolutional Neural Networks Menggunakan Ant Colony Optimization |
| title_short | Optimalisasi Hyper Parameter Convolutional Neural Networks Menggunakan Ant Colony Optimization |
| title_sort | optimalisasi hyper parameter convolutional neural networks menggunakan ant colony optimization |
| topic | hyperparameter auto-tuning deep neural network ant colony algoritma genetika |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/7105 |
| work_keys_str_mv | AT fianyuliosantoso optimalisasihyperparameterconvolutionalneuralnetworksmenggunakanantcolonyoptimization AT ekosediyono optimalisasihyperparameterconvolutionalneuralnetworksmenggunakanantcolonyoptimization AT hindriyantodwipurnomo optimalisasihyperparameterconvolutionalneuralnetworksmenggunakanantcolonyoptimization |