KOMPRESI MODEL DEEP NEURAL NETWORK UNTUK KLASIFIKASI GAMBAR
Artificial Intelligence telah banyak digunakan dan di implementasikan padakehidupan sehari-hari. Salah satu arsitektur yang banyak digunakan untuk ArtificialInteligence adalah CNN (Convolutional neural network), semakin rumit kasus yangdi kerjakan oleh CNN maka semakin banyak juga parameter yang dim...
Saved in:
| Main Authors: | , |
|---|---|
| Language: | Indonesian |
| Published: |
STMIK AKAKOM
2021
|
| Subjects: | |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Artificial Intelligence telah banyak digunakan dan di implementasikan padakehidupan sehari-hari. Salah satu arsitektur yang banyak digunakan untuk ArtificialInteligence adalah CNN (Convolutional neural network), semakin rumit kasus yangdi kerjakan oleh CNN maka semakin banyak juga parameter yang dimiliki CNNtersebut. Dengan besarnya ukuran CNN maka di perlukan metode untukmengurangi ukuran CNN tersebut tanpa mengurangi akurasinya secara signifikansehingga akan menghemat resource saat di implementasikan pada sistem tertentu.Pruning adalah penerapan kriteria biner untuk menentukan bobot yangharus di pangkas, bobot yang cocok untuk kriteria pemangkasan di beri nilai nol.Sedangkan quantization adalah teknik untuk mengurangi jumlah bits yangmerepresentasikan sebuah angka.Metode kompresi ini dibuat menggunakan bahasa pemrograman python danmenggunakan data gambar sebagai input untuk training dan testing model CNNyang akan di kompres. Dari hasil implementasi yang dilakukan dalam penelitian inididapatkan kesimpulan bahwa metode pruning dan quantization dapat mengurangiukuran model CNN secara signifikan dengan pengurangan akurasi relative keciluntuk uji coba pada dataset kecil yaitu 1000 gambar anjing dan 1000 gambar kucinguntuk training dan 400 gambar anjing serta 400 gambar kucing untuk data validasi.Kata kunci : Convolutional Neural Network, Pruning, Python, Quantization. |
|---|