DEPENDENCY GRAPH UNTUK MENINGKATKAN KINERJA DEEP LEARNING
Convolutional Neural Network (CNN) mendemonstrasikan kemampuan yang baik dalam berbagai bidang seperti penglihatan komputer, pemrosesan bahasa alami, dan pengenalan suara. Kemampuan tersebut berasal dari CNN yang dirancang makin kompleks arsitektur dan kedalamannya. Hal tersebut berakibat pada ukuran model yang besar dan jumlah parameter yang tinggi. Sehingga, implementasinya menjadi tantangan ketika diterapkan ke suatu perangkat keras dengan sumber daya terbatas. Penelitian ini berfokus untuk mereduksi jumlah parameter CNN menggunakan Dependency Graph (DepGraph) dan kriteria pruning Filter Pruning via Geometric Median (FPGM). Proses reduksi tersebut diujikan ke model Efficient Net V2 S, Mobile Net V3 S, dan ResNet-18. Hasil eksperimen membuktikan teknik reduksi parameter tersebut mengurangi jumlah parameter EfficientNet V2 S sebesar 74,36% namun penurunan akurasi hanya sebesar 0,71%, MobileNet V3 S sebesar 73,40% namun terjadi peningkatan akurasi sebesar 1,30%, sedangkan jumlah parameter ResNet-18 berkurang sebesar 74,96% dan terjadi peningkatan akurasi sebesar 0,52%. Kata kunci: teknik reduksi parameter CNN, structured pruning menggunakan DepGraph dan FPGM
APA Style
. (2024).DEPENDENCY GRAPH UNTUK MENINGKATKAN KINERJA DEEP LEARNING ().Teknik Informatika:FTI
Chicago Style
.DEPENDENCY GRAPH UNTUK MENINGKATKAN KINERJA DEEP LEARNING ().Teknik Informatika:FTI,2024.Text
MLA Style
.DEPENDENCY GRAPH UNTUK MENINGKATKAN KINERJA DEEP LEARNING ().Teknik Informatika:FTI,2024.Text
Turabian Style
.DEPENDENCY GRAPH UNTUK MENINGKATKAN KINERJA DEEP LEARNING ().Teknik Informatika:FTI,2024.Text
