Peningkatan Kinerja dalam Pengklasifikasian Menggunakan Deep Learning

Abstract

Deep Learning is a new paradigm in machine learning area, one of its methodologies is Deep Neural Network. Deep neural network (DNN) is a method that can solve the problem such as classification. However, in solving classification problem using a standard deep neural network in some cases is still relatively slow. Therefore, we need additional scheme to optimize and improve the accuracy and performance for DNN data classification. One of the optimization techniques is adaptive learning rate. This study analyzed the method of deep neural network standard, and deep neural network with adaptive learning rate – RMSProp using mangrove classification data. The experimental result shows DNN with RMSProp produce an error value of 0.0824 and 98.30% accuracy in the 100th epoch, and data testing accuracy equal to 98.00% at 100th epoch. While the results of DNN get the lowest error of 0.1027 and 97.80% accuracy on the 1000th epoch, 97.70% accuracy result in the 1000th epoch.

Deep Learning merupakan area baru dibidang ilmu Machine Learning, salah satu tekniknya yaitu Deep Neural Network. Deep neural network (DNN) merupakan salah satu teknik yang dapat menyelesaikan masalah seperti klasifikasi, namun kinerja dalam pengklasifikasian menggunakan deep neural network standar dalam beberapa masalah masih tergolong lambat, oleh karena itu diperlukan suatu metode yang dapat meningkatkan kinerja dalam pengklasifikasian data. Salah satu teknik pengoptimalannya adalah teknik adaptive learning rate. Penelitian ini melakukan analisis terhadap metode deep neural network standar, dan deep neural network dengan penambahan adaptive learning rate – RMSProp dalam pengklasifikasian data mangrove. Hasil dari penelitian ini adalah metode DNN dengan RMSProp mendapatkan nilai error yang rendah sebesar 0.0824 dan akurasi 98.30% pada proses training epoch ke-100, dan nilai akurasi testing data sebesar 98.00% pada epoch ke-100. Sedangkan hasil penelitian DNN standar mendapatkan error terendah sebesar 0.1027 dan akurasi 97.80% pada training epoch ke-1000, dan nilai akurasi testing sebesar 97.70% pada epoch ke-1000.