Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis Gpu

Danukusumo, Kefin Pudi (2017) Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis Gpu. S1 thesis, UAJY.

	Text (Haaman Judul) TF074990.pdf Download (792kB)
	Text (Bab I) TF074991.pdf Download (218kB)
	Text (Bab II) TF074992.pdf Download (217kB)
	Text (Bab III) TF074993.pdf Download (657kB)
	Text (Bab IV) TF074994.pdf Restricted to Registered users only Download (737kB)
	Text (Bab V & Bab VI) TF0749956.pdf Restricted to Registered users only Download (2MB)

Abstract

Klasifikasi citra merupakan salah satu permasalahan dalam Computer Vision dan hal yang sering sekali dipakai untuk mendeteksi objek dalam suatu citra. Klasifikasi citra sendiri dapat dibilang merupakan perkerjaan yang sangat sulit untuk dilakukan oleh komputer. Untuk mempermudah pekerjaan komputer dalam mengklasifikasi, perlu diimplementasikan teknik Deep Learning dengan menggunakan metode Convolutional Neural Network (CNN). Pada dasarnya metode CNN adalah arsitektur jaringan syaraf tiruan yang lebih efektif untuk klasifikasi citra. Konsep utama CNN sendiri terdapat pada operasi konvolusi yang dimilikinya, dimana suatu citra akan diekstrasi setiap fiturnya agar terbentuk beberapa pola yang akan lebih mudah untuk diklasifikasi. Proses pelatihan dengan CNN akan membutuhkan komputasi yang sangat berat serta waktu yang lama, untuk itu penggunaan performa GPU sangatlah dibutuhkan untuk mempercepat waktu pelatihan. Hasil pengujian yang optimal terhadap citra candi menunjukan akurasi sebesar 98,99% pada training set dan 85,57% pada test set dengan waktu pelatihan mencapai 389,14 detik. Sehingga dapat disimpulkan bahwa teknik Deep Learning dengan CNN mampu melakukan klasifikasi citra candi dengan sangat baik.

Actions (login required)

View Item