A.

KONSEP JARINGAN SYARAF KONVOLUSIONAL

Convolutional Neural Network (CNN), juga disebut ConvNet, adalah jenis
Jaringan Syaraf Tiruan (ANN), yang memiliki arsitektur feed-forward yang dalam
dan memiliki kemampuan generalisasi yang luar biasa dibandingkan dengan
jaringan lain dengan lapisan FC, ia dapat mempelajari fitur yang sangat abstrak dari
objek terutama data spasial dan dapat mengidentifikasinya dengan lebih efisien.

Model CNN yang dalam terdiri dari kumpulan lapisan pemrosesan terbatas
yang dapat mempelajari berbagai fitur data input (misalnya gambar) dengan
beberapa tingkat abstraksi. Lapisan inisiasi mempelajari dan mengekstrak fitur
tingkat tinggi (dengan abstraksi lebih rendah), dan lapisan yang lebih dalam
mempelajari dan mengekstrak fitur tingkat rendah (dengan abstraksi lebih tinggi).
Model konseptual dasar CNN ditunjukkan pada Gambar 2, berbagai jenis lapisan
dijelaskan pada bagian selanjutnya.

Kelebihan Jaringan Neural Konvolusional

• fitur pembagian bobot CNN, yang mengurangi jumlah parameter yang

dapat dilatih dalam jaringan, yang membantu model untuk menghindari
overfitting dan juga meningkatkan generalisasi.

• Di CNN, lapisan klasifikasi dan lapisan ekstraksi fitur belajar bersama,

yang membuat keluaran model lebih terorganisir dan membuat
keluaran lebih bergantung pada fituryang diekstraksi.

• Implementasi jaringan besar lebih sulit dengan menggunakan jenis

jaringan saraf lain daripada menggunakan Jaringan Syaraf
Konvolusional.
Berikut ini berbagai komponen atau blok bangunan dasar CNN secara singkat:

1. Lapisan Jaringan
CNN terdiri dari beberapa blok penyusun (dikenal sebagai lapisanarsitektur),
dalam subbagian ini, kami menjelaskan beberapa blok penyusun ini secara
mendetail dengan gulungannya dalam arsitektur CNN.
2. Lapisan Konvolusional
Lapisan konvolusi1adalah komponen terpenting dari setiap arsitektur CNN.
Ini berisi satu set kernel konvolusional (juga disebut filter), yang
digabungkan dengan gambar masukan (metrik N- dimensi) untuk
menghasilkan peta fitur keluaran.
- Kernel
Kernel dapat digambarkan sebagai kisi nilai atau angka diskrit, di mana
setiap nilai dikenal sebagai bobot kernel ini. Selama awal proses
pelatihan model CNN, semua bobot kernel ditetapkan dengan angka acak
(pendekatan yang berbeda juga tersedia di sana untuk menginisialisasi
bobot). Kemudian, dengan setiap periode pelatihan, bobot disetel dan
kernel belajar untuk mengekstraksi fitur yang bermakna.

- Konvolusi
untuk memahami operasi konvolusi, jika kita mengambil gambar skala
abu-abu 4×4 diameter, ditunjukkan pada gambar 1 dan 2×2 dengan bobot
yang diinisialisasi secara acak seperti yang ditunjukkan pada gambar 2.

Sekarang, dalam operasi konvolusi, kita ambil 2×2 kernel dan geser ke atas
semua 4 lengkap×4 gambar secara horizontal maupun vertikal dan
sepanjang jalan kita mengambil produk titik antara kernel dan gambar
input dengan mengalikan nilai yang sesuai dari mereka dan menjumlahkan
 semua nilai untuk menghasilkan satu nilai penskalaan dalam peta fitur
keluaran. Proses ini berlanjut hingga kernel tidak dapatlagi meluncur lebih
jauh.
Untuk memahami hal tersebut dengan lebih jelas, mari kita lakukan
beberapa perhitungan awal yang dilakukan pada setiap langkah secara
grafis seperti yang ditunjukkan pada Gambar 7, di mana 2×2 kernel
(ditampilkan dalam warna biru muda) dikalikan dengan wilayah berukuran
sama (ditampilkan dalam warna kuning) dalam 4×4 gambar input dan nilai
yang dihasilkan dijumlahkan untuk mendapatkan entri yang sesuai
(ditunjukkan dengan warna biru tua) di peta fitur output pada setiap
langkah konvolusi.

Setelah melakukan operasi konvolusi lengkap, peta fitur keluaran akhir

ditunjukkan pada berikut ini:

Keuntungan utama dari lapisan konvolusi yaitu:

o Konektivitas Jarang; Dalam jaringan saraf yang terhubung sepenuhnya,
 setiap neuron dari satu lapisan terhubung dengan setiap neuron dari
lapisan berikutnya, tetapi di CNN sejumlah kecil bobot hadir di antara
dua lapisan. Alhasil, jumlah koneksi atau bobot yang kita butuhkan
sedikit,dan jumlah memori untuk menyimpan bobot tersebut juga kecil,
sehingga hemat memori. Juga, titik (.) operasi secara komputasi lebih
murah daripada perkalian matriks.

o Pembagian Berat:Di CNN, tidak ada bobot khusus yang ada di antara
dua neuron dari lapisan yangberdekatan alih-alih semua bobot bekerja
dengan setiap piksel dari matriks input. Alih-alih mempelajari bobot
baru untuk setiap neuron, kita dapat mempelajari satu set bobot untuk
semua masukan dan ini secara drastis mengurangi waktu pelatihan serta
biaya lainnya.

3. Lapisan Penyatuan

Penggabungan lapisan digunakan untuk mensub-sampel peta fitur

(diproduksi setelah operasi konvolusi), yaitu mengambil peta fitur ukuran
lebih besar dan mengecilkannya menjadi peta fitur berukuran lebih
rendah. Sambil mengecilkan peta fitur, fitur (atau informasi) yang paling
dominan selalu dipertahankan di setiap langkah kumpulan. Operasi
penyatuan dilakukan dengan menentukan ukuran wilayah yang
dikumpulkan dan langkah operasinya, mirip dengan operasi konvolusi.
Ada berbagai jenis teknik pooling yang digunakan dalam berbagai layer
pooling seperti max pooling, min pooling, average pooling, gated pooling,
tree pooling, dan lain-lain.

Max pooling adalah yang paling popular dan kebanyakan menggunakan

teknik pooling. Kekurangan dari pooling layer adalah terkadang
menurunkan kinerja CNN secara keseluruhan. Alasan dibalik ini adalah
bahwa pooling layer membantu CNN untuk menemukan apakah fitur
tertentu ada dalam gambar masukan yang diberikan atau tidak tanpa
memperhatikan posisi yang benar dari fitur tersebut.
Gambar: Mengilustrasikan contoh yang menunjukkan beberapa langkah awal serta
hasil akhir dari operasi max-pooling, dimana ukuran region pooling adalah 2×2
(ditampilkan dalam warna oranye, di petafitur masukan) dan langkahnya adalah 1
dan nilai yang dihitung sesuai di peta fitur keluaran (ditampilkan dalam warna
hijau).