Pengaruh Optimisasi Hyperparameter Random Search terhadap Inception-ResNet-V2 untuk Klasifikasi Objek
Dalam teknologi pembelajaran mesin, termasuk CNN diparameterisasi oleh
hyperparameter yang harus di tentukan secara optimal untuk mendapatkan performa yang baik. Langkah yang paling umum dilakukan adalah pencarian secara manual, tetapi proses ini memakan waktu yang cukup lama. Jumlah uji coba(Trials) Maksimal 4,8,dan
16 diobservasi untuk melihat pengaruhnya terhadap kualitas model yang dihasilkan. Model tanpa rekomendasi Random Search juga dibandingkan untuk melihat seberapa baik Random Search mempengaruhi metrik performa model. Adapun, dataset yang digunakan adalah dua dataset klasifikasi objek dengan 10 kelas, yaitu Cifar-10 dan Imagenette. Untuk arsitektur CNN yang digunakan adalah Inception Resnet v2 karena memiliki metrics top-5 dan top-1 error pada benchmark dataset Imagenet dibandingkan dengan Inception V4 dan V3. Berdasarkan hasil eksperimen ditemukan, bahwa jumlah maksimal pencarian(Trials) pada Random Search berpengaruh terhadap konsistensi hasil yang didapat oleh model. Random search mampu untuk meningkatkan kinerja model dibandingkan dengan model tanpa rekomendasi hyperparameternya.
Detail Information
Citation
APA Style
. (2023).Pengaruh Optimisasi Hyperparameter Random Search terhadap Inception-ResNet-V2 untuk Klasifikasi Objek ().Teknik Informatika:FTI
Chicago Style
.Pengaruh Optimisasi Hyperparameter Random Search terhadap Inception-ResNet-V2 untuk Klasifikasi Objek ().Teknik Informatika:FTI,2023.Text
MLA Style
.Pengaruh Optimisasi Hyperparameter Random Search terhadap Inception-ResNet-V2 untuk Klasifikasi Objek ().Teknik Informatika:FTI,2023.Text
Turabian Style
.Pengaruh Optimisasi Hyperparameter Random Search terhadap Inception-ResNet-V2 untuk Klasifikasi Objek ().Teknik Informatika:FTI,2023.Text