UI - Skripsi Membership :: Kembali

UI - Skripsi Membership :: Kembali

Modifikasi Arsitektur Learning Convolutional Neural Network pada Graf = Modification of Architecture Learning Convolutional Neural Network for Graph

Tubagus Dhafin Rukmanda; Kiki Ariyanti Sugeng, supervisor; Hendri Murfi, supervisor; Suryadi, examiner; Yudi Satria, examiner; Siti Aminah, examiner ([Publisher not identified] , 2017)

 Abstrak

ABSTRAK
PATCHY-SAN adalah sebuah framework untuk sembarang graf yang diajukan oleh Niepert pada tahun 2016. Pada penelitian ini diajukan modifikasi arsitektur dari convolutional neural network CNNs pada PATCHY-SAN menggunakan beberapa representasi dari graf seperti B^i,L^i,N^i dengan B,L,N, berturut-turut adalah matriks betweeness, matriks Laplacian and matriks normalisasi Laplacian dengan i=1,2,3,4,5. Dilakukan beberapa percobaan dari model CNNs dengan 3 layer dan 2 layer. Penelitian ini menggunakan dropout atau batch normalization untuk mengurangi permasalahan internal covariate shift sebagai regularisasi. Berdasarkan percobaan tersebut disimpulkan, penambahan layer, penggunaan dropout dan batch normalization dapat meningkatkan dan juga menurunkan prediksi akurasi, hal ini tergantung dari dataset dan arsitektur CNNs. Representasi graf yang digunakan dalam penelitian ini masih belum bagus untuk membuat PATCHY-SAN learning, karena peningkatan akurasi hanya sebesar - 9 dari benchmark 50 .

ABSTRACT
PATCHY SAN is a framework for learning Convolutional Neural Network CNNs for arbitrary graph proposed by Niepert in 2016. In this paper we propose to modified architecture of Convolutional Neural Network in PATCHY SAN by using some representation of graph such as B i,L i,N i, with B, L, N, is betweeness matrix, Laplacian matrix and normalize Laplacian matrix with i 1,2,3,4,5. We do some experiment of model with 3 convolutional layer and 2 convolutional layer. This research use dropout and batch normalization to reduce internal covariate shift problem as regularizer. In conclusion adding more convolution layer, and use dropout and batch normalization can increase and reduce accuracy, it depend on the architecture of CNNs. Graph representation used in this research still not good to make PATCHY SAN learning, because the accuration increase by 9 from benchmark 50 .

 File Digital: 1

Shelf
 S70160-Tubagus Dhafin Rukmanda .pdf :: Unduh

 Metadata

Jenis Koleksi : UI - Skripsi Membership
No. Panggil : S70160
Entri utama-Nama orang :
Entri tambahan-Nama orang :
Entri tambahan-Nama badan :
Program Studi :
Subjek :
Penerbitan : [Place of publication not identified]: [Publisher not identified], 2017
Bahasa : ind
Sumber Pengatalogan : LibUI ind rda
Tipe Konten : text
Tipe Media : unmediated ; computer
Tipe Carrier : volume ; online resource
Deskripsi Fisik : xiv, 88 pages : illustration ; 28 cm + appendix
Naskah Ringkas :
Lembaga Pemilik : Universitas Indonesia
Lokasi : Perpustakaan UI., Lantai 3
  • Ketersediaan
  • Ulasan
  • Sampul
No. Panggil No. Barkod Ketersediaan
S70160 14-20-421676850 TERSEDIA
Ulasan:
Tidak ada ulasan pada koleksi ini: 20466611
Cover