Ekstraksi Data Digital Menggunakan Teknik Max Pooling dan Average Pooling

Authors

  • Puspa Meliuwati Matematika, Universitas Islam Bandung
  • Eti Kurniati Matematika, Universitas Islam Bandung

DOI:

https://doi.org/10.29313/jrm.v2i2.1338

Keywords:

deep learning, pooling, citra digital

Abstract

Abstract. Digital data processing requires algorithms that can process data optimally. Processing large amounts of data requires a large number of parameters to produce accurate output. Then the classification accuracy at a certain point will decrease, therefore a process is needed that can extract the required number of parameters, one of which is using the pooling process. Pooling is a selection process to reduce the resolution on an insignificant feature map. Two methods in pooling, namely max pooling and average pooling, work by dividing the layer into several small grids and then taking the largest value or average value of each grid to compose the reduced digital data matrix. The pooling process requires padding to adjust the filter matrix by filling the empty parts of the matrix with the number 0. The size of the filter matrix does not affect the size of the pooling matrix. The smaller the filter matrix size, the more detailed the pooling process will be. The displacement of the filter matrix in the data matrix is ​​determined by the magnitude of the stride. The smaller the stride size, the more detailed it will be, but the larger the pooling matrix will be.

Abstrak. Pengolahan data digital membutuhkan algoritma yang dapat memproses data secara optimal. Pemrosesan data jumlah besar membutuhkan jumlah parameter yang besar pula untuk menghasilkan output yang akurat. Maka alkurasi klasifikasi pada titik tertentu akan menurun, oleh karena itu dibutuhkan sutu proses yang dapat mengekstraksi jumlah parameter yang diperlukan salah satunya menggunakan proses pooling. Pooling adalah proses melakukan seleksi untuk mengurangi resolusi pada peta ciri yang tidak signifikan. Dua metode dalam pooling yaitu max pooling dan average pooling, bekerja dengan membagi layer menjadi beberapa grid kecil lalu engambil nilai terbesar atau nilai rata-rata setiap grid untuk Menyusun matriks data digital yang telah direduksi. Proses pooling memerlukan padding untuk menyesuaikan matriks filter dengan mengisi bagian-bagian kosong matriks dengan angka 0. Ukuran matriks filter tidak mempengaruhi ukuran matriks pooling. semakin kecil ukuran matriks filter maka proses pooling akan semakin rinci. Perpindahan matriks filter pada matriks data ditentukan oleh besarnya stride. Semakin kecil ukuran stride akan semakin rinci akan tetapi ukuran matriks pooling akan semakin besar.

References

W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, 2016, doi: 10.12962/j23373539.v5i1.15696.

F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, pp. 104–108, 2020, doi: 10.26740/jinacs.v1n02.p104-108.

S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 3, no. 2, pp. 49–56, 2018.

A. Ahmad, Mengenal Artificial Intelligence, Machine Learning, Neural Network, dan Deep Learning. 2017.

K. P. Danukusumo, “Convolutional neural network untuk mendeteksi bangunan,” pp. 10–22, 2017.

D. G/Tsadik et al., “Rancangan Bangun Sistem Klasifikasi Mineral dan Batuan Menggunakan Tensorflow.js,” 2020.

M. I. Mardiyah, “Implementasi Deep Learning Untuk Image Classification Menggunakan Algoritma Convolutional Neural Network (Cnn) Pada Tugas Akhir,” 2020.

S. Ren, “Object Detection Networks on Convolutional Feature Maps,” 2017.

M. R. Alwanda, R. P. K. Ramadhan, and D. Alamsyah, “Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle,” J. Algoritm., vol. 1, no. 1, pp. 45–56, 2020, doi: 10.35957/algoritme.v1i1.434.

C. Geraldy and C. Lubis, “Pendeteksian Dan Pengenalan Jenis Mobil Menggunakan Algoritma You Only Look Once Dan Convolutional Neural Network,” pp. 197–199, 2020.

Downloads

Published

2022-12-21