Analisis Kinerja Deep Neural Network dalam Klasifikasi Citra Angka MNIST

Lisa Ramadhani

Sari


ABSTRAK— Penelitian ini mengeksplorasi penerapan teknik Deep Learning dengan memanfaatkan struktur Deep Neural Network (DNN) untuk mengklasifikasikan gambar angka yang ditulis tangan dalam dataset MNIST. Dataset MNIST dipilih karena merupakan dataset yang diakui secara luas dalam bidang visi komputer, yang terdiri dari 60.000 data untuk pelatihan dan 10.000 data untuk pengujian berupa gambar grayscale dengan ukuran 28×28 piksel. Model Deep Neural Network dirancang menggunakan framework TensorFlow dan Keras dengan beberapa layer tersembunyi yang menerapkan fungsi aktivasi Rectified Linear Unit (ReLU) serta fungsi Softmax pada layer keluaran. Proses penelitian mencakup pra-pemrosesan data melalui normalisasi nilai piksel, desain arsitektur jaringan syaraf, pelatihan model menggunakan algoritma backpropagation dengan optimizer Adam, dan penilaian kinerja model dengan metrik akurasi. Hasil dari pengujian memperlihatkan bahwa model Deep Neural Network yang dibuat bisa mencapai tingkat akurasi sebesar 97,66% pada data tes MNIST. Temuan ini menandakan bahwa struktur Deep Neural Network yang tergolong sederhana dapat memberikan hasil klasifikasi yang baik dan konsisten, sehingga dapat berfungsi sebagai model dasar sebelum ditingkatkan menjadi arsitektur yang lebih rumit seperti Convolutional Neural Network (CNN).

Kata kunci— Deep Learning, Deep Neural Network, MNIST, Klasifikasi Citra, Artificial Intelligence.


Teks Lengkap:

PDF

Referensi


[[1] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.

Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.

Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, no. 11, pp. 2278–2324, 1998.

D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” in Proceedings of the International Conference on Learning Representations (ICLR), 2015.

F. Chollet, Deep Learning with Python. Shelter Island, NY, USA: Manning Publications, 2017.

C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.

S. Haykin, Neural Networks and Learning Machines, 3rd ed. Upper Saddle River, NJ, USA: Pearson Education, 2009.

M. Nielsen, Neural Networks and Deep Learning. San Francisco, CA, USA: Determination Press, 2015.

S. Raschka and V. Mirjalili, Python Machine Learning, 3rd ed. Birmingham, UK: Packt Publishing, 2019.

T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning, 2nd ed. New York, NY, USA: Springer, 2009.

R. C. Gonzalez and R. E. Woods, Digital Image Processing, 4th ed. New York, NY, USA: Pearson Education, 2018.

A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” in Advances in Neural Information Processing Systems (NeurIPS), pp. 1097–1105, 2012.

TensorFlow Developers, “MNIST dataset,” TensorFlow Documentation. [Online]. Available: https://www.tensorflow.org/datasets/catalog/mnist

J. Brownlee, Deep Learning for Computer Vision. Machine Learning Mastery, 2019.

K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” in Proceedings of the International Conference on Learning Representations (ICLR), 2015.


Refbacks

  • Saat ini tidak ada refbacks.


EJECTS: Jurnal Computer, Technology, and Informations System

Gedung Fakultas Ilmu Komputer, Universitas Darwan Ali, JL. Batu Berlian, No. 10, Sampit, Kabupaten Kotawaringin Timur, Provinsi Kalimantan Tengah, 74322

Creative Commons Licence
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

View My Stats