Please use this identifier to cite or link to this item: http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5555
Title: PERBANDINGAN OPTIMASI SGD, ADADELTA, DAN ADAM DALAM KLASIFIKASI HYDRANGEA MENGGUNAKAN CNN
Authors: Rosnelly, Rika
Keywords: SGD, Adadelta, Adam, Fungsi Optimasi
Issue Date: Jun-2022
Publisher: Journal of Science and Social Research
Abstract: Spesies invasif mengancam habitat spesies asli di banyak negara di dunia. Saat ini dalam metode pemantauan mereka tergantung pada pengetahuan ahli. Ilmuwan terlatih mengunjungi area yang ditentukan dan mencatat spesies yang menghuninya. Menggunakan tenaga kerja berkualifikasi tinggi seperti itu membutuhkan biaya yang mahal, tidak efisien waktu dan jangkauan yang terbatas karena manusia tidak dapat mencakup area yang luas. Dalam makalah ini, pendekatan berbasis pembelajaran mesin disajikan untuk mengidentifikasi gambar hydrangea invasif (spesies invasif asli Asia) dengan kumpulan data yang berisi sekitar 800 gambar yang diambil di hutan nasional Brasil dan di beberapa gambar terdapat Hydrangea. Metode optimasi Gradient Descent sering digunakan untuk pelatihan Jaringan Syaraf Tiruan (JST). Metode ini berperan dalam menemukan nilai bobot yang memberikan nilai keluaran terbaik. Prinsip kerja metode Gradient Descent adalah memperkecil nilai fungsi biaya dengan mengubah nilai parameter selangkah demi selangkah. Telah diimplementasikan tiga buah metode optimasi yaitu Stochastic Gradient Descent (SGD), ADADELTA, dan Adam pada sistem Jaringan Saraf Tiruan untuk klasifikasi data aritmia [32]. Penelitian ini menggunakan batas nilai kesalahan yang paling sesuai dari masing-masing metode optimasi sebagai kriteria pemberhentian pelatihan. Hasil penelitian menunjukkan Jaringan Saraf Tiruan dengan optimasi Adam menghasilkan akurasi tertinggi dibandingkan dengan dengan metode optimasi SGD dan ADADELTA.Teknik Deep Learning yang diterapkan secara ekstensif pada pengenalan gambar yang digunakan memanfaatkan metode optimizer Adam . Model yang kita latih menggunakan fungsi optimisasi Adam mencapai akurasi 83,5% pada tes yang lakukan, menunjukkan kelayakan pada pendekatan yang dilakukan
Description: Di Indonesia, Serangan organisme pengganggu tanaman (OPT) menjadi salah satu permasalahan yang sering dialami petani. Sementara alang alang sekarang menyebar ke seluruh bagian Tenggara, menggantikan tanaman asli. Menurut Rahayu (1993) dalam Sianturi (2003), luas padang alang-alang di Indonesia diperkirakan sebesar 10.56 juta H.. Ini tidak memberikan nilai makanan bagi satwa liar asli, dan meningkatkan ancaman kebakaran hutan karena alang-alang lebih cepat tumbuh daripada rumput asli. Ini baru satu spesies invasif dari banyak spesies yang dapat memiliki konsekuensi merusak pada lingkungan, ekonomi, dan bahkan kesehatan manusia. Meskipun berdampak luas, upaya untuk melacak lokasi dan penyebaran spesies invasif terus dilakukan tetapi biaya yang sangat mahal mengakibatkan sulitnya melakukan dalam skala besar. Karena para ilmuwan tidak dapat mengambil sampel area dalam jumlah besar, beberapa teknik pembelajaran mesin digunakan untuk memprediksi ada tidaknya spesies invasif di area yang belum diambil sampelnya. Keakuratan pendekatan ini jauh dari optimal, tetapi masih memberikan kontribusi pada pendekatan untuk memecahkan masalah ekologi. Para ahli ekologi telah menyelenggarakan kompetisi Kaggle untuk memeriksa apakah komputer dapat secara akurat mengidentifikasi spesies invasif dalam gambar. Dalam karya ini, kami menunjukkan bahwa pembelajaran transfer Deep Convolutional Neural Network (CNNs Trained on imagenet dataset) bekerja dengan baik dalam mengidentifikasi gambar hydrangea invasive hal ini juga tidak terlepas pada fungsi optimizer yang digunakan. Dalam computer vison, CNN telah dikenal sebagai model visual yang kuat serta menghasilkan hierarki fitur segmentasi yang akurat. Mereka juga dikenal melakukan prediksi yang relatif lebih cepat daripada algoritma lain dengan tetap mempertahankan kinerja kompetitif pada waktu yang sama. Metode optimasi Gradient Descent sering digunakan untuk pelatihan Jaringan Syaraf Tiruan (JST). Metode ini berperan dalam menemukan nilai bobot yang memberikan nilai keluaran terbaik. Prinsip kerja metode Gradient Descent adalah memperkecil nilai fungsi biaya dengan mengubah nilai parameter selangkah demi selangkah. Telah diimplementasikan tiga buah metode optimasi yaitu SGD, ADADELTA, dan Adam pada sistem Jaringan Saraf Tiruan untuk klasifikasi data aritmia. Pada penelitian ini metode Adam terbukti lebih akurat dibandingkan kedua metode lainnya diatas. Ini sesuai dengan penelitian sebelumnya tentang “Perbandingan Metode Optimasi Stochastic Gradient Descent, ADADELTA, dan Adam pada Jaringan Saraf Tiruan dalam Klasifikasi Data Aritmia”.
URI: http://repository.potensi-utama.ac.id/jspui/jspui/handle/123456789/5555
ISSN: 2615 – 3262
Appears in Collections:A Paper

Files in This Item:
File Description SizeFormat 
36. PERBANDINGAN OPTIMASI SGD, ADADELTA,.pdf716.42 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.