TUGAS

PENGANTAR ALGORITMA DEEP LEARNING

Dosen Pengampu:
Rony Teguh,S. Kom. MT., Ph.D.

Disusun Oleh:
NAMA : SAGITA AMARIA CHRISTIE
NIM 193020503027

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS PALANGKA RAYA
2022
 KERAS STEP-BY-STEP

Keras merupakan high level API library untuk neural network yang
menyediakan interface untuk Python. Penggunaan Keras sangat memudahkan
dalam membangun serta mengaplikasikan sebuah model untuk deep learning.
Berikut adalah tahapan-tahapan Keras.

1. Load Data

Gambar 1. Proses Load Data

Langkah pertama adalah mendefinisikan fungsi dan kelas yang ingin kita
gunakan. Kita akan menggunakan library NumPy untuk memuat dataset kita
dan kita akan menggunakan dua kelas dari library Keras untuk mendefinisikan
model kita. Dalam tutorial Keras ini, kita akan menggunakan dataset diabetes
Pima Indian. Pima Indian dataset merupakan sebuah dataset type csv (comma
separated value) dengan type binary (2 kondisi) yang menyatakan kondisi
diabetes class 2 (1) atau tidak (0).
Dataset ini menggambarkan data rekam medis pasien masyarakat India
Pima dan apakah mereka memiliki Riwayat diabetes dalam lima tahun terakhir.
Dataset tersebut memiliki 9 buah variabel yang terdiri dari delapan variabel
input dan satu variabel output (kolom terakhir) dan 768 observation. Variabel
input disimbolkan dengan (X) dan variabel output disimbolkan dengan (Y).
Setelah file CSV dimuat ke dalam memori, kita dapat membagi kolom data
menjadi variabel input dan output.
2. Define Keras Model

Gambar 2. Proses Define Keras Model

Dalam tahapan ini kita akan membuat model Keras yang didefinisikan
sebagai urutan lapisan. Hal pertama yang harus dilakukan adalah memastikan
lapisan input memiliki jumlah fitur input yang tepat. Dalam contoh ini, kita
akan menggunakan struktur jaringan yang terhubung penuh dengan tiga
lapisan. Lapisan yang terhubung penuh didefinisikan menggunakan Kelas
Padat. Kita dapat menentukan jumlah neuron atau node pada layer sebagai
argumen pertama, dan menentukan fungsi aktivasi menggunakan argumen
aktivasi.
Pada setiap lapisan akan ditambahkan model baris data dengan 8 variabel
(argumen input_dim=8), lalu lapisan tersembunyi pertama memiliki 12 node
dan menggunakan fungsi aktivasi relu dan lapisan tersembunyi kedua memiliki
8 node dan menggunakan fungsi aktivasi relu. Lapisan keluaran memiliki satu
simpul dan menggunakan fungsi aktivasi sigmoid.

3. Compile Keras Model

Gambar 3. Proses Compile Keras Model

Tahap selanjutnya adalah kompilasi model Keras. Pada tahapan ini
kompilasi model menggunakan pustaka numerik yang efisien di backend
seperti Theano atau TensorFlow. Backend secara otomatis memilih cara terbaik
untuk mewakili jaringan untuk pelatihan dan membuat prediksi untuk
dijalankan di perangkat keras yang kita gunakan, seperti CPU atau GPU atau
bahkan didistribusikan. Saat mengkompilasi, kita harus menentukan beberapa
properti tambahan yang diperlukan saat melatih jaringan.
4. Fit Keras Model

Gambar 4. Proses Fit Keras Model

Pada tahapan ini kita akan melakukan eksekusi model pada beberapa data.
Kita dapat menyesuaikan model pada data yang dimuat dengan memanggil
fungsi fit(). Satu epoch terdiri dari satu atau lebih batch. Proses training akan
berjalan untuk sejumlah iterasi tetap melalui dataset yang disebut epoch. Kita
juga harus mengatur jumlah baris dataset yang dipertimbangkan sebelum bobot
model diperbarui dalam setiap epoch, yang disebut ukuran batch dan disetel
menggunakan argumen batch_size

5. Evaluate Keras Model

Gambar 5. Proses Evaluate Keras Model

Tahap ini merupakan tahapan untuk mencoba akurasi model Keras yang
sudah kita buat. Kita dapat mengevaluasi model pada set data pelatihan
menggunakan fungsi evaluate() dan meneruskannya ke input dan output yang
sama yang digunakan untuk melatih model. Hal ini akan menghasilkan prediksi
untuk setiap pasangan input dan output dan mengumpulkan skor, termasuk
kerugian rata-rata dan metrik apa pun yang telah kita konfigurasikan, seperti
 akurasi. Fungsi evaluate() akan mengembalikan daftar dengan dua nilai. Yang
pertama adalah hilangnya model pada dataset dan yang kedua adalah akurasi
model pada dataset.

6. Make Predictions

Gambar 6. Proses Make Predictions

Pada tahap ini kita akan menggunakan fungsi predict() pada model Keras.
Lalu menggunakan fungsi aktivasi sigmoid pada lapisan output, sehingga
kemungkinan prediksinya berada pada rentang nilai 0 dan 1. Setelah model fit,
prediksi dibuat untuk semua contoh dalam dataset dan baris input, serta nilai
kelas prediksi untuk 5 contoh pertama. Kemudian akan dicetak dan
dibandingkan dengan nilai kelas yang diharapkan. Pada Gambar 6 di atas kita
dapat melihat bahwa sebagian besar baris yang diprediksi menghasilkan output
yang sesuai.