Comparison of Various Learning Rate Scheduling Techniques on Convolutional Neural Network

2020 ◽  
Author(s):  
Jinia Konar ◽  
Prerit Khandelwal ◽  
Rishabh Tripathi
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Learning Rate ◽  
Rate Scheduling

scholarly journals AlexNet convolutional neural network to classify the types of Indonesian coffee beans

2021 ◽  
Vol 905 (1) ◽  
pp. 012059
Author(s):  
Y Hendrawan ◽  
B Rohmatulloh ◽  
F I Ilmi ◽  
M R Fauzy ◽  
R Damayanti ◽  
...  
Keyword(s):  
Neural Network ◽  
Computer Vision ◽  
Sensitivity Analysis ◽  
Convolutional Neural Network ◽  
Confusion Matrix ◽  
Learning Rate ◽  
Agricultural Products ◽  
Coffee Bean ◽  
Coffee Beans ◽  
Non Destructive

Abstract Various types of Indonesian coffee are already popular internationally. Recently, there are still not many methods to classify the types of typical Indonesian coffee. Computer vision is a non-destructive method for classifying agricultural products. This study aimed to classify three types of Indonesian Arabica coffee beans, i.e., Gayo Aceh, Kintamani Bali, and Toraja Tongkonan, using computer vision. The classification method used was the AlexNet convolutional neural network with sensitivity analysis using several variations of the optimizer such as SGDm, Adam, and RMSProp and the learning rate of 0.00005 and 0.0001. Each type of coffee used 500 data for training and validation with the distribution of 70% training and 30% validation. The results showed that all AlexNet models achieved a perfect validation accuracy value of 100% in 1,040 iterations. This study also used 100 testing-set data on each type of coffee bean. In the testing confusion matrix, the accuracy reached 99.6%.

scholarly journals IMPLEMENTASI DEEP LEARNING PADA PENGENALAN AKSARA SUNDA MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

2021 ◽  
Vol 2 (1) ◽  
pp. 46
Author(s):  
Shelvi Nur Rahmawati ◽  
Eka Wahyu Hidayat ◽  
Husni Mubarok
Keyword(s):  
Neural Network ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Learning Rate

Aksara Sunda merupakan salah satu aksara daerah Indonesia khususnya masyarakat Sunda. Seiring dengan perkembangan teknologi seperti sekarang ini, bahasa daerah pun semakin tergerus dari waktu kewaktu. Aksara Sunda pun mulai terlupakan, bahkan jarang digunakan oleh masyarakat Sunda dalam kehidupan sehari-hari serta kurangnya memahami Bahasa daerahnya sendiri. Oleh karena itu, perlu adanya pelestarian Bahasa daerah yang dikembangkan menyesuaikan perkembangan jaman agar bisa terus dikenal dan dilestarikan, salahsatunya dengan identifikasi aksara Sunda menggunakan metode Convolutional Neural Network (CNN). Convolutional Neural Network (CNN) adalah bagian dari deep learning yang biasanya digunakan dalam pengolahan data gambar. Hasil dari penelitian ini  menggunakan optimasi ADAM dengan penggunaan epoch 20, 50, 100 dan 500. Penggunaan epoch 500, learning rate 0.1 merupakan nilai tertinggi dengan akurasi 98.03%. Berdasarkan hasil data training dengan nilai epoch 100, learning rate 0.001 hasil akurasi sebesar 96.71% data training dan 92.02% data testing.

scholarly journals IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI

2018 ◽  
Vol 18 (01) ◽  
pp. 22-27 ◽  
Author(s):  
Royani Darma Nurfita ◽  
Gunawan Ariyanto
Keyword(s):  
Neural Network ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Input Data ◽  
Data Preprocessing ◽  
Learning Rate

Sistem pengenalan sidik jari banyak digunakan dala bidang biometrik untuk berbagai keperluan pada beberapa tahun terakhir ini. Pengenalan sidik jari digunakan karena memiliki pola yang rumit yang dapat mengenali seseorang dan merupakan identitas setiap manusia. Sidik jari juga banyak digunakan sebagai verifikasi maupun identifikasi. Permasalahan yang dihadapi dalam penelitian ini adalah komputer sulit melakukan klasifikasi objek salah satunya pada sidikjari. Dalam penelitian ini penulismenggunakan deep learning yang menggunakan metode Convolutional Neural Network (CNN) untuk mengatasi masalah tersebut. CNN digunakan untuk melakukan proses pembelajaran mesin pada komputer. Tahapan pada CNN adalah input data, preprocessing, proses training. Implementasi CNN yang digunakan library tensorflow dengan menggunakan bahasa pemrograman python. Dataset yang digunakan bersumber dari sebuah website kompetisi verifikasi sidik jari pada tahun 2004 yang menggunakan sensor bertipe opticalsensor “V300” by crossMatch dan didalamnya terdapat 80 gambar sidik jari. Proses pelatihan menggunakan data yang berukuran 24x24 pixel dan melakukan pengujian dengan membandingkan jumlah epoch dan learning rate sehingga diketahui bahwa jika semakin besar jumlah epoch dan semakin kecil learning rate maka semakin baik tingkat akurasi pelatihan yang didapatkan. Pada penelitian ini tingkat akurasi pelatihan yang dicapai sebesar 100%

scholarly journals Detection of Tomato Plant Diseases Using Deep Convolutional Neural Network

2020 ◽  
pp. 464-465
Author(s):  
Vijayaganth V ◽  
Naveenkumar M ◽  
Mohan M
Keyword(s):  
Neural Network ◽  
Early Diagnosis ◽  
Convolutional Neural Network ◽  
Tomato Plant ◽  
Learning Rate ◽  
Deep Convolutional Neural Network ◽  
Plant Diseases ◽  
Batch Size ◽  
Diagnosis Of Diseases

The disease in tomato leaves affects the quality and quantity of the crops. To overcome this problem an early diagnosis of diseases will benefit the farmers. This work uses PlantVillage dataset of 9 tomato leaves and fed to AlexNet and VGG16. It focuses on accuracy of the model by using hyperparameters like batch size, learning rate and optimizer.

scholarly journals COMPARISON INTENT RECOGNITION ON FOOD DELIVERY SERVICE COMPLAINT IN TWITTER WITH RECURRENT AND CONVOLUTIONAL NEURAL NETWORK

2020 ◽  
Vol 5 (1) ◽  
Author(s):  
Irfan Nasrullah ◽  
Rila Mandala
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Food Delivery ◽  
Learning Rate ◽  
Batch Size ◽  
Optimal Result ◽  
Intent Recognition ◽  
Delivery Service ◽  
Customer Relation Management ◽  
Large Fluctuations

In this research, the case of intent classification for Customer Relation Management (CRM) how to handle complaints as a domain to be followed up, where datasets are extracted from the conversation on Twitter. The research objectives support three key findings to comparing the CNNs and BRNNs model to intent recognition by vectorization text: (1) Which architecture performs better (accuracy) depends on how important it is to semantically understand the whole sequence and (2) Learning rate changes performance relatively smoothly, while the optimal result iterated by change hidden size and batch size result in large fluctuations. (3) Last, how word vectorization is able to define sub-domain of the complaints by word vector classification.

scholarly journals Pengenalan Karakter Huruf Braille dengan Metode Convolutional Neural Network

2021 ◽  
Vol 6 (2) ◽  
pp. 20-26
Author(s):  
Muhammad Fahmi Herlambang ◽  
Asep Nana Hermana ◽  
Kurnia Ramadhan Putra
Keyword(s):  
Neural Network ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Learning Rate ◽  
Model Training

Karakter huruf Braille terdiri dari 6 titik yang dirancang sedemikian rupa sehingga menjadi sebuah sistem penulisan yang dapat digunakan untuk membantu tunanetra. Akan tetapi, membaca huruf Braille tidaklah mudah karena selain harus memahami huruf Braille tersebut juga dibutuhkan sensitivitas jari yang cukup agar dapat membaca huruf Braille. Adapun penelitian tentang pengenalan huruf Braille menggunakan teknologi kecerdasan buatan, salah satunya deep learning. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN). Metode CNN dapat digunakan dalam pengenalan wajah, analisis dokumen, klasifikasi gambar, dan sebagainya. Pada penelitian ini, metode CNN digunakan untuk pengenalan karakter huruf Braille. Sistem melakukan proses pengenalan karakter huruf braille per karakter dengan model yang sudah dilatih dengan dataset dengan 26 karakter. Hasil yang didapat mencapai tingkat akurasi 81.54% untuk citra karakter Braille yang diakuisisi dengan smartphone dengan kemiringan antara 0 hingga 4 derajat dan jarak 30cm dengan model training dengan learning rate 0.0001 dan optimizer Adam.

Sign in / Sign up

Export Citation Format

Share Document