Pengertian Deep Learning
Deep Learning (Pembelajaran Dalam) atau sering dikenal dengan
istilah Pembelajaran Struktural Mendalam (Deep Structured
Learning) atau Pembelajaran Hierarki
(Hierarchical learning) adalah
salah satu cabang dari ilmu pembelajaran mesin (Machine Learning) yang terdiri algoritma pemodelan abstraksi tingkat
tinggi pada data menggunakan sekumpulan fungsi transformasi non-linear yang
ditata berlapis-lapis dan mendalam. Teknik dan algoritma dalam Pembelaran
dalam dapat digunakan baik untuk kebutuhan pembelajaran terarah (supervised learning), pembelajaran
tak terarah (unsupervised learning)
dan semi-terarah (semi-supervised
learning) dalam berbagai aplikasi seperti pengenalan citra, pengenalan
suara, klasifikasi teks, dan sebagainya[4]. Deep Learning disebut sebagai Deep (dalam) karena struktur dan jumlah jaringan saraf
pada algoritmanya sangat banyak bisa mencapai hingga ratusan lapisan.
Deep Learning adalah salah satu jenis algoritma jaringan saraf
tiruan yang menggunakan metadata sebagai input dan mengolahnya menggunakan
sejumlah lapisan tersembunyi (hidden layer)
transformasi non linier dari data masukan untuk menghitung nilai output.
Algortima pada Deep Learning memiliki fitur
yang unik yaitu sebuah fitur yang mampu mengekstraksi secara otomatis. Hal ini
berarti algoritma yang dimilikinya secara otomatis dapat menangkap fitur yang
relevan sebagai keperluan dalam pemecahan suatu masalah. Algortima semacam ini
sangat penting dalam sebuah kecerdasan buatan karena mampu mengurangi beban pemrograman
dalam memilih fitur yang eksplisit. Dan, algortima ini dapat digunakan untuk
memecahkan permasalahan yang perlu pengawasan (supervised), tanpa
pengawasan (unsupervised), dan semi terawasi (semi supervised).
Dalam jaringan saraf
tiruan tipe Deep Learning setiap lapisan tersembunyi
bertanggung jawab untuk melatih serangkaian fitur unik berdasarkan output dari
jaringan sebelumnya. Algortima ini akan menjadi semakin komplek dan bersifat
abstrak ketika jumlah lapisan tersembunyi (hidden layer)
semakin bertambah banyak. Jaringan saraf yang dimiliki oleh Deep Learning terbentuk dari hirarki sederhana dengan
beberapa lapisan hingga tingkat tinggi atau banyak lapisan (multi layer). Berdasarkan hal itulah Deep Learning dapat digunakan untuk memecahkan masalah
kompleks yang lebih rumit dan terdiri dari sejumlah besar lapisan transformasi
non linier.
Metode/Pemodelan deep learning
1.
Back
Propagation
Back-prop
hanyalah sebuah metode untuk menghitung turunan parsial (atau gradien) dari
suatu fungsi, yang memiliki bentuk sebagai komposisi fungsi (seperti dalam
Neural Nets). Ketika Anda menyelesaikan masalah optimasi menggunakan metode
berbasis gradient (gradien keturunan hanya salah satu dari mereka), Anda ingin
menghitung gradien fungsi pada setiap iterasi.
2. Stochastic
Gradient Descent
Cara
intuitif untuk memikirkan Gradient Descent adalah membayangkan jalur sungai
yang berasal dari puncak gunung. Tujuan dari gradient descent adalah apa yang
ingin dicapai oleh sungai - yaitu, mencapai titik paling bawah (di kaki bukit)
yang turun dari gunung.
3. Learning Rate Decay
Mengadaptasi
tingkat pembelajaran untuk prosedur optimasi penurunan gradien stokastik Anda
dapat meningkatkan kinerja dan mengurangi waktu pelatihan. Kadang-kadang ini
disebut learning rate annealing atau tingkat pembelajaran adaptif. Adaptasi
tingkat pembelajaran paling sederhana dan mungkin paling sering digunakan
selama pelatihan adalah teknik yang mengurangi tingkat pembelajaran dari waktu
ke waktu. Ini memiliki manfaat membuat perubahan besar pada awal prosedur
pelatihan ketika nilai tingkat pembelajaran yang lebih besar digunakan, dan
mengurangi tingkat pembelajaran seperti tingkat yang lebih kecil dan karena itu
pembaruan pelatihan yang lebih kecil dibuat untuk bobot kemudian dalam prosedur
pelatihan.
Contoh Studi Kasus
Klasifikasi
Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101
Praproses dan pengolahan data input
Citra masukan akan diolah ke dalam pra proses
yaitu proses wrapping dan cropping. Pada wrapping, citra masukan dilakukan pengecekan terhadap edge dari objek utama pada citra
tersebut. Dari edge pada citra
tersebut ditentukan edge maksimalnya
sehingga saat hasil cropping objek
pada citra tersebut tetap utuh. Tahap training dimulai dengan merubah citra
menjadi bentuk vektor. Sehingga alur proses pertama berbentuk.Proses pengolahan data citra dimulai dengan
citra ukuran sembarang yang kemudian dirubah ukurannya menjadi 140 x 140. Citra
tersebut dijadikan grey scale agar
bisa diproses dengan mudah pada tahap Training.
gambar praproses citra output
Proses Training
Proses training merupakan
tahapan dimana CNN dilatih untuk memperoleh akurasi yang tinggi dari
klasifikasi yang dilakukan. Tahapan ini terdiri dari proses feed forward dan proses backpropagation. Untuk memulai proses feedforward diperlukan jumlah dan ukuran layer yang akan dibentuk, ukuran subsampling, citra vektor yang diperoleh pada subbab III.A. Proses feedforward bekerja seperti pada subbab II.C dimana
citra vektor akan melalui proses konvolusi dan Max pooling untuk mereduksi ukuran citranya dan memperbanyak
neuronnya. Sehingga terbentuk banyak jaringan yang mana menambah variant data
untuk dipelajari. Hasil dari proses feedforward berupa bobot yang akan digunakan untuk mengevaluasi
proses neural network tadi.
Proses Testing
Proses testing merupakan proses klasifikasi
menggunakan bobot dan bias dari hasil proses training. Proses ini tidak jauh
berbeda dengan proses training yang membedakannya tidak terdapat proses backpropagation
setelah proses feedforward. Sehingga
hasil akhir dari proses ini menghasilkan
akurasi dari klasifikasi yang dilakukan, data yang gagal diklasifikasi, nomor
citra yang gagal diklasifikasi, dan bentuk network yang terbentuk dari proses feedforward.Dengan bobot dan bias yang baru proses feedforward diterapkan yang kemudian menghasilkan lapisan output. Lapisan output sudah fully connected
dengan label yang disediakan. Hasil fully
connected tersebut diperoleh data yang gagal dan berhasil diklasifikasi
Komentar
Posting Komentar