TITLE

DEEP LEARNING UNTUK KLASIFIKASI DATA TIDAK SEIMBANG MENGGUNAKAN FROZEN CLASS EXPERT GENERATIVE ADVERSARIAL NETWORK

Abstract

Tanpa adanya strategi khusus untuk klasifikasi data tidak seimbang, algoritma kecerdasan buatan akan sulit untuk mengenali data dari kelas minoritas. Secara umum, penanganan data tidak seimbang dilakukan dengan modifikasi algoritma berdasarkan asumsi bahwa data yang dipelajari adalah data tidak seimbang. Hal ini menyebabkan penanganan data tidak seimbang seringkali memberikan hasil yang kurang baik jika digunakan untuk data yang normal. Dalam penelitian ini, kami mengajukan metode frozen class expert generative adversarial network (FCE-GAN) sebagai solusi untuk klasifikasi data tidak seimbang. FCE-GAN merupakan modifikasi dalam arsitektur algoritma deep learning yang tidak memiliki asumsi bahwa data yang dipelajari tidak seimbang. Sebagai gantinya, FCE-GAN dirancang untuk mengenali lebih detil karakteristik per kelas sebelum melaksanakan fungsi klasifikasi. Dengan rancangan ini, hipotesis kami adalah FCE-GAN mampu untuk memberikan performa yang baik untuk data yang tidak seimbang.

Keywords

Data tidak seimbang, klasifikasi, deep learning, generative adversarial network

Proposed Year

2017

Budget Year

2017

Contract Number

020A/VR.RTT/IV/2017

Funding Company

BINUS

Researcher

  • Hantze Sudarma

Copyright © BINUS UNIVERSITY. All rights reserved.