2.

1 Convolutional neural network

Convolutional neural network (CNN) merupakan tipe khusus dari NN untuk memproses
suatu data. CNN menggunakan konvolusi minimal pada salah satu lapisannya. CNN
termasuk dalam jenis Deep Neural Network karena banyak diaplikasikan pada data citra.
CNN merupakan pengembangan dari Multilayer Perceptron (MLP) yang didesain untuk
mengolah data dua dimensi. Pada CNN, setiap neuron direpresentasikan dalam bentuk dua
dimensi, sedangkan pada MLP setiap neuron hanya berukuran satu dimensi. CNN
digunakan untuk mengklasifikasikan data yang terlabel dengan menggunakan metode
supervised learning, yang mana cara kerja dari supervised learning adalah terdapat data
yang dilatih dan terdapat variabel yang ditargetkan sehingga tujuan dari metode ini adalah
mengelompokan suatu data ke data yang sudah ada.

Tahap pertama pada arsitektur CNN adalah tahap konvolusi. Tahap ini dilakukan
dengan menggunakan sebuah kernel dengan ukuran tertentu. Perhitungan jumlah kernel
yang dipakai tergantung dari jumlah fitur yang dihasilkan. Kemudian dilanjutkan menuju
fungsi aktivasi, biasanya menggunakan fungsi aktivasi ReLU (Rectifier Linear Unit),
Selanjutnya setelah keluar dari proses fungsi aktivasi kemudian melalui proses pooling.
Proses ini diulang beberapa kali sampai didapatkan peta fitur yang cukup untuk dilanjutkan
ke fully connected network, lalu dari fully connected network menuju output class.

2.1.1 Convolution Layer

Convolutional layer melakukan operasi konvolusi pada output dari layer
sebelumnya. Tujuan dari operasi konvolusi pada data citra adalah untuk
mengekstraksi fitur dari citra input. Definisi dari konvolusi sendiri merupakan
pengaplikasian sebuah kernel (kotak kuning) pada citra, sedangkan kotak berwarna
hijau secara keseluruhan merupakan citra yang akan dikonvolusi. Kernel bergerak
dari sudut kiri atas ke kanan bawah, sehingga hasil konvolusi dari citra tersebut dapat
dilihat pada hasil gambar disebelah kanannya.

2.1.2 Pooling layer

Setelah melewati proses konvolusi kemudian hasilnya akan melalui tahap pooling.
Pooling sendiri merupakan pengurangan ukuran matriks dengan menggunakan
 operasi pooling. Terdapat dua macam pooling yang sering dipakai yaitu average
pooling dan max pooling. Dalam average pooling, nilai yang diambil adalah nilai
rata-rata, sementara pada max pooling nilai yang diambil adalah nilai maksimal.
Umumnya, metode pooling yang digunakan adalah max pooling atau mengambil nilai
terbesar dari bagian tersebut. Fungsi dari pooling ini adalah untuk mereduksi input
secara spasial (mengurangi jumlah parameter) dengan operasi down-sampling.
Output dari proses pooling adalah matriks dengan dimensi yang lebih kecil
dibading dengan matrik awal.

2.1.3 Fully Connected Layer

Setiap neuron pada convolution layer perlu ditransformasi menjadi data satu
dimensi terlebih dahulu sebelum dapat dimasukkan ke dalam sebuah fully-connected
layer. Karena hal tersebut menyebabkan data kehilangan informasi spasialnya dan
tidak reversibel, sedangkan fully-connected layer hanya dapat diimplementasikan di
akhir jaringan. Lapisan ini biasa digunakan pada MLP yang bertujuan untuk
melakukan transformasi pada dimensi data agar data dapat diklasifikasikan secara
linear.

2.1.4 Softmax layer

Softmax layer biasanya digunakan dalam layer yang terdapat pada NN dan
biasanya terdapat pada layer terakhir untuk mendapatkan output. Softmax layer
menentukan probabilitas terbesar untuk hasil kelasnya.