Inception (arsitektur pemelajaran mendalam) - Riwayat revisi

Maintenance script: Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

2026-08-23T13:58:43Z

Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi

← Revisi sebelumnya		Revisi per 23 Agustus 2026 13.58
Baris 1:		Baris 1:
	'''Inception''' ([[Terjemahan harfiah\|har]]: permulaan) adalah keluarga arsitektur [[jaringan saraf konvolusional]] (CNN) dalam bidang [[visi komputer]]. Inception diperkenalkan oleh para peneliti Google pada tahun 2014 dengan nama '''GoogLeNet''' (yang kemudian berganti nama menjadi '''Inception v1'''). Arsitektur ini memiliki peran penting dalam sejarah CNN karena menjadi salah satu model awal yang memisahkan tiga bagian utama: bagian ''stem'' (penerimaan atau ''ingestion'' data), bagian ''body'' (pemrosesan data), dan bagian ''head'' (prediksi) yang desain ini masih diterapkan di semua CNN modern.		'''Inception''' ([[Terjemahan harfiah\|har]]: permulaan)<ref>Christian Szegedy. [https://ieeexplore.ieee.org/document/7298594 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)]. IEEE. June 2015. hlm. 1–9. doi:10.1109/CVPR.2015.7298594. ISBN 978-1-4673-6964-0.</ref> adalah keluarga arsitektur [[jaringan saraf konvolusional]] (CNN) dalam bidang [[visi komputer]]. Inception diperkenalkan oleh para peneliti Google pada tahun 2014 dengan nama '''GoogLeNet''' (yang kemudian berganti nama menjadi '''Inception v1'''). Arsitektur ini memiliki peran penting dalam sejarah CNN karena menjadi salah satu model awal yang memisahkan tiga bagian utama: bagian ''stem'' (penerimaan atau ''ingestion'' data), bagian ''body'' (pemrosesan data), dan bagian ''head'' (prediksi) yang desain ini masih diterapkan di semua CNN modern.<ref>Aston Zhang. [https://d2l.ai/chapter_convolutional-modern/googlenet.html Dive into deep learning]. Cambridge University Press. 2024. ISBN 978-1-009-38943-3.</ref>


	== Riwayat versi ==		== Riwayat versi ==

	=== Inception v1 ===		=== Inception v1 ===
			Pada tahun 2014, sebuah tim dari Google mengembangkan arsitektur GoogLeNet, yang salah satu variannya memenangkan [[ImageNet\|ImageNet Large-Scale Visual Recognition Challenge]] 2014 (ILSVRC14).<ref>Christian Szegedy. [https://ieeexplore.ieee.org/document/7298594 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)]. IEEE. June 2015. hlm. 1–9. doi:10.1109/CVPR.2015.7298594. ISBN 978-1-4673-6964-0.</ref><ref>[https://www.kaggle.com/models/google/inception-v1 Official repo of Inception V1 on Kaggle, published by Google.]</ref>

	~~Pada tahun 2014~~, ~~sebuah tim dari Google mengembangkan~~ arsitektur ~~GoogLeNet~~, yang ~~salah satu variannya memenangkan~~ [[~~ImageNet~~\|~~ImageNet Large-Scale Visual Recognition Challenge~~]] ~~2014~~ (~~ILSVRC14~~).		Nama “GoogleNet” terinspirasi dari [[LeNet]] (1998), karena baik LeNet maupun GoogLeNet sama-sama merupakan arsitektur CNN. Selain itu, arsitektur ini juga diberi nama "Inception", mengacu pada [[meme internet]] “Kita perlu masuk lebih dalam” atau “''we need to go deeper”,'' yang berasal dari film [[Inception\|''Inception'' (2010)]].<ref>Christian Szegedy. [https://ieeexplore.ieee.org/document/7298594 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)]. IEEE. June 2015. hlm. 1–9. doi:10.1109/CVPR.2015.7298594. ISBN 978-1-4673-6964-0.</ref> Seiring dengan munculnya versi-versi terbaru, arsitektur Inception yang pertama diberi nama ulang menjadi "Inception v1".

	~~Nama “GoogleNet” terinspirasi dari~~ [[~~LeNet~~]] ~~(1998), karena baik LeNet maupun GoogLeNet sama-sama merupakan arsitektur CNN~~. ~~Selain itu, arsitektur ini juga diberi nama "Inception", mengacu pada~~ [~~[meme internet]] “Kita perlu masuk lebih dalam” atau “''we need to go deeper”,'' yang berasal dari film [[Inception\|''Inception'' (2010)]~~]. ~~Seiring dengan munculnya versi~~-~~versi terbaru, arsitektur Inception yang pertama diberi nama ulang menjadi "Inception v1"~~.		Model dan kode dirilis di bawah lisensi Apache 2.0 di [[GitHub]].<ref>[https://github.com/google/inception?tab=readme-ov-file google/inception]. Google. 2024-08-19.</ref>

	~~Model dan kode dirilis di bawah lisensi Apache 2.0 di [[GitHub]].~~		Arsitektur Inception v1 adalah CNN dalam yang terdiri dari 22 lapisan (''layer''). Sebagian besar lapisan ini terdiri dari "modul Inception" (''inception modules''). Makalah asli menyatakan bahwa modul Inception merupakan "puncak logis" atau ''logical culmination'' dari konsep ''Jaringan dalam Jaringan'' dan (Arora et al, 2014).<ref>Sanjeev Arora. [https://proceedings.mlr.press/v32/arora14.html Provable Bounds for Learning Some Deep Representations]. ''Proceedings of the 31st International Conference on Machine Learning''. PMLR. 2014-01-27. hlm. 584–592.</ref>


	Arsitektur Inception v1 adalah CNN dalam yang terdiri dari 22 lapisan (''layer''). Sebagian besar lapisan ini terdiri dari "modul Inception" (''inception modules''). Makalah asli menyatakan bahwa modul Inception merupakan "puncak logis" atau ''logical culmination'' dari konsep ''Jaringan dalam Jaringan'' dan (Arora et al, 2014).

	Karena Inception v1 memiliki arsitektur yang dalam, ia mengalami masalah gradien yang lenyap. Tim peneliti memecahkan masalah ini dengan menggunakan dua ''auxiliary classifiers'', yaitu ''linear-softmax classifiers'' yang disisipkan pada kedalaman 1/3 dan 2/3 dari jaringan. Fungsi kerugian yang digunakan merupakan jumlah berbobot dari ketiganya klasifiernya: <math display="block">L = 0.3 L_{aux, 1} + 0.3 L_{aux, 2} + L_{real}</math>		Karena Inception v1 memiliki arsitektur yang dalam, ia mengalami masalah gradien yang lenyap. Tim peneliti memecahkan masalah ini dengan menggunakan dua ''auxiliary classifiers'', yaitu ''linear-softmax classifiers'' yang disisipkan pada kedalaman 1/3 dan 2/3 dari jaringan. Fungsi kerugian yang digunakan merupakan jumlah berbobot dari ketiganya klasifiernya: <math display="block">L = 0.3 L_{aux, 1} + 0.3 L_{aux, 2} + L_{real}</math>
Baris 19:		Baris 15:
	Setelah pelatihan selesai, ''auxiliary classifiers'' ini dihapus. Masalah ''vanishing gradient'' kemudian diselesaikan lebih efektif oleh arsitektur ResNet.		Setelah pelatihan selesai, ''auxiliary classifiers'' ini dihapus. Masalah ''vanishing gradient'' kemudian diselesaikan lebih efektif oleh arsitektur ResNet.

	Arsitektur inception terdiri dari tiga bagian yang ditumpuk satu sama lain:		Arsitektur inception terdiri dari tiga bagian yang ditumpuk satu sama lain:<ref>Aston Zhang. [https://d2l.ai/chapter_convolutional-modern/googlenet.html Dive into deep learning]. Cambridge University Press. 2024. ISBN 978-1-009-38943-3.</ref>

	* ''Stem'' (''data ingestion''): Beberapa lapisan konvolusi pertama berfungsi untuk memproses data awal dengan mengecilkan ukuran gambar.		* ''Stem'' (''data ingestion''): Beberapa lapisan konvolusi pertama berfungsi untuk memproses data awal dengan mengecilkan ukuran gambar.
Baris 28:		Baris 24:

	=== Inception v2 ===		=== Inception v2 ===
	Inception v2 dirilis pada tahun 2015 dalam sebuah makalah yang lebih dikenal karena memperkenalkan normalisasi batch. Inception versi ini memiliki 13,6 juta parameter.		Inception v2 dirilis pada tahun 2015 dalam sebuah makalah yang lebih dikenal karena memperkenalkan normalisasi batch.<ref>Christian Szegedy. [https://www.cv-foundation.org/openaccess/content_cvpr_2016/html/Szegedy_Rethinking_the_Inception_CVPR_2016_paper.html Rethinking the Inception Architecture for Computer Vision]. ''Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)''. 2016. hlm. 2818–2826.</ref><ref>[https://www.kaggle.com/models/google/inception-v2 Official repo of Inception V2 on Kaggle, published by Google.]</ref> Inception versi ini memiliki 13,6 juta parameter.

	Inception v2 merupakan penyempurnaan dari Inception v1 dengan menambahkan ''batch normalization'' serta menghilangkan ''dropout'' dan ''local response normalization'', yang dianggap tidak lagi diperlukan setelah penggunaan ''batch normalization.''		Inception v2 merupakan penyempurnaan dari Inception v1 dengan menambahkan ''batch normalization'' serta menghilangkan ''dropout'' dan ''local response normalization'', yang dianggap tidak lagi diperlukan setelah penggunaan ''batch normalization.''

	=== Inception v3 ===		=== Inception v3 ===
	Inception v3 dirilis pada tahun 2016. Ia menyempurnakan Inception v2 dengan menggunakan konvolusi terfaktor.		Inception v3 dirilis pada tahun 2016.<ref>Christian Szegedy. [https://www.cv-foundation.org/openaccess/content_cvpr_2016/html/Szegedy_Rethinking_the_Inception_CVPR_2016_paper.html Rethinking the Inception Architecture for Computer Vision]. ''Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)''. 2016. hlm. 2818–2826.</ref><ref>[https://www.kaggle.com/models/google/inception-v3/ Official repo of Inception V3 on Kaggle, published by Google.]</ref> Ia menyempurnakan Inception v2 dengan menggunakan konvolusi terfaktor.

	Sebagai contoh, sebuah konvolusi 5×5 dapat dipecah menjadi dua konvolusi 3×3 yang ditumpuk. Keduanya tetap memiliki bidang reseptif sebesar 5×5. Secara teori, konvolusi 5×5 lebih kuat karena memiliki 25 parameter, dibandingkan hanya 18 parameter pada versi ''factorized''. Namun, kekuatan tambahan ini tidak selalu dibutuhkan. Secara empiris, tim peneliti menemukan bahwa ''factorized convolutions'' lebih efektif.		Sebagai contoh, sebuah konvolusi 5×5 dapat dipecah menjadi dua konvolusi 3×3 yang ditumpuk. Keduanya tetap memiliki bidang reseptif sebesar 5×5. Secara teori, konvolusi 5×5 lebih kuat karena memiliki 25 parameter, dibandingkan hanya 18 parameter pada versi ''factorized''. Namun, kekuatan tambahan ini tidak selalu dibutuhkan. Secara empiris, tim peneliti menemukan bahwa ''factorized convolutions'' lebih efektif.
Baris 44:		Baris 40:

	=== Awal mula v4 ===		=== Awal mula v4 ===
	Pada tahun 2017, tim peneliti merilis Inception v4, Inception ResNet v1, dan Inception ResNet v2.		Pada tahun 2017, tim peneliti merilis Inception v4, Inception ResNet v1, dan Inception ResNet v2.<ref>Christian Szegedy. [https://ojs.aaai.org/index.php/aaai/article/view/11231 Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning]. ''Proceedings of the AAAI Conference on Artificial Intelligence''. 2017-02-12. Vol. 31 (1). doi:10.1609/aaai.v31i1.11231.</ref>

	Inception v4 adalah pembaruan tambahan dengan konvolusi yang lebih terfaktorisasi, dan komplikasi lain yang secara empiris ditemukan dapat meningkatkan tolok ukur.		Inception v4 adalah pembaruan tambahan dengan konvolusi yang lebih terfaktorisasi, dan komplikasi lain yang secara empiris ditemukan dapat meningkatkan tolok ukur.

	Inception ResNet v1 dan v2 keduanya merupakan modifikasi dari Inception v4, di mana koneksi residual ditambahkan ke setiap modul Inception, terinspirasi oleh arsitektur ResNet.		Inception ResNet v1 dan v2 keduanya merupakan modifikasi dari Inception v4, di mana koneksi residual ditambahkan ke setiap modul Inception, terinspirasi oleh arsitektur ResNet.<ref>Kaiming He. ''Deep Residual Learning for Image Recognition''. 10 Dec 2015.</ref>

	=== Xception ===		=== Xception ===
	Xception ("Extreme Inception") diterbitkan pada tahun 2017. Arsitektur ini adalah tumpukan linier lapisan konvolusi yang dapat dipisahkan berdasarkan kedalamannya dengan koneksi residual. Desain ini diusulkan berdasarkan [[hipotesis]] bahwa dalam CNN, korelasi lintas saluran dan korelasi spasial dalam peta fitur dapat ''dipisahkan sepenuhnya.''		Xception ("Extreme Inception") diterbitkan pada tahun 2017.<ref>Francois Chollet. [https://openaccess.thecvf.com/content_cvpr_2017/html/Chollet_Xception_Deep_Learning_CVPR_2017_paper.html Xception: Deep Learning With Depthwise Separable Convolutions]. ''Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)''. 2017. hlm. 1251–1258.</ref> Arsitektur ini adalah tumpukan linier lapisan konvolusi yang dapat dipisahkan berdasarkan kedalamannya dengan koneksi residual. Desain ini diusulkan berdasarkan [[hipotesis]] bahwa dalam CNN, korelasi lintas saluran dan korelasi spasial dalam peta fitur dapat ''dipisahkan sepenuhnya.''

	== Referensi ==		== Referensi ==
			<references />

	* Daftar semua model Inception yang dirilis oleh Google: <cite class="citation web cs1">Sumber : ''GitHub''</cite> <cite class="citation web cs1">Diperoleh 2024-10-19 .</~~cite~~>



	== Sumber dan atribusi ==		== Sumber dan atribusi ==

	Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Inception+%28arsitektur+pemelajaran+mendalam%29&oldid=27270562 Wikipedia bahasa Indonesia], revisi 27270562 (2025-05-14T02:23:54Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.		Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Inception+%28arsitektur+pemelajaran+mendalam%29&oldid=27270562 Wikipedia bahasa Indonesia], revisi 27270562 (2025-05-14T02:23:54Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

			<!-- WIKI_UNISSULA_PRESENTATION_V4 -->

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 27270562; atribusi sumber disertakan.

2026-08-23T13:25:04Z

Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 27270562; atribusi sumber disertakan.

Halaman baru

'''Inception''' ([[Terjemahan harfiah|har]]: permulaan) adalah keluarga arsitektur [[jaringan saraf konvolusional]] (CNN) dalam bidang [[visi komputer]]. Inception diperkenalkan oleh para peneliti Google pada tahun 2014 dengan nama '''GoogLeNet''' (yang kemudian berganti nama menjadi '''Inception v1'''). Arsitektur ini memiliki peran penting dalam sejarah CNN karena menjadi salah satu model awal yang memisahkan tiga bagian utama: bagian ''stem'' (penerimaan atau ''ingestion'' data), bagian ''body'' (pemrosesan data), dan bagian ''head'' (prediksi) yang desain ini masih diterapkan di semua CNN modern.

== Riwayat versi ==

=== Inception v1 ===

Pada tahun 2014, sebuah tim dari Google mengembangkan arsitektur GoogLeNet, yang salah satu variannya memenangkan [[ImageNet|ImageNet Large-Scale Visual Recognition Challenge]] 2014 (ILSVRC14).

Nama “GoogleNet” terinspirasi dari [[LeNet]] (1998), karena baik LeNet maupun GoogLeNet sama-sama merupakan arsitektur CNN. Selain itu, arsitektur ini juga diberi nama "Inception", mengacu pada [[meme internet]] “Kita perlu masuk lebih dalam” atau “''we need to go deeper”,'' yang berasal dari film [[Inception|''Inception'' (2010)]]. Seiring dengan munculnya versi-versi terbaru, arsitektur Inception yang pertama diberi nama ulang menjadi "Inception v1".

Model dan kode dirilis di bawah lisensi Apache 2.0 di [[GitHub]].

Arsitektur Inception v1 adalah CNN dalam yang terdiri dari 22 lapisan (''layer''). Sebagian besar lapisan ini terdiri dari "modul Inception" (''inception modules''). Makalah asli menyatakan bahwa modul Inception merupakan "puncak logis" atau ''logical culmination'' dari konsep ''Jaringan dalam Jaringan'' dan (Arora et al, 2014).

Karena Inception v1 memiliki arsitektur yang dalam, ia mengalami masalah gradien yang lenyap. Tim peneliti memecahkan masalah ini dengan menggunakan dua ''auxiliary classifiers'', yaitu ''linear-softmax classifiers'' yang disisipkan pada kedalaman 1/3 dan 2/3 dari jaringan. Fungsi kerugian yang digunakan merupakan jumlah berbobot dari ketiganya klasifiernya: <math display="block">L = 0.3 L_{aux, 1} + 0.3 L_{aux, 2} + L_{real}</math>

Setelah pelatihan selesai, ''auxiliary classifiers'' ini dihapus. Masalah ''vanishing gradient'' kemudian diselesaikan lebih efektif oleh arsitektur ResNet.

Arsitektur inception terdiri dari tiga bagian yang ditumpuk satu sama lain:

* ''Stem'' (''data ingestion''): Beberapa lapisan konvolusi pertama berfungsi untuk memproses data awal dengan mengecilkan ukuran gambar.
* ''Body'' (''data processing''): Sebagian besar proses dilakukan di sini melalui beberapa ''Inception modules'' yang mengekstrak fitur dari data.
* ''Head'' (''prediction''): Lapisan ''fully-connected'' terakhir dan fungsi ''softmax'' menghasilkan distribusi probabilitas untuk klasifikasi gambar.

Struktur ini digunakan di sebagian besar arsitektur CNN modern.

=== Inception v2 ===
Inception v2 dirilis pada tahun 2015 dalam sebuah makalah yang lebih dikenal karena memperkenalkan normalisasi batch. Inception versi ini memiliki 13,6 juta parameter.

Inception v2 merupakan penyempurnaan dari Inception v1 dengan menambahkan ''batch normalization'' serta menghilangkan ''dropout'' dan ''local response normalization'', yang dianggap tidak lagi diperlukan setelah penggunaan ''batch normalization.''

=== Inception v3 ===
Inception v3 dirilis pada tahun 2016. Ia menyempurnakan Inception v2 dengan menggunakan konvolusi terfaktor.

Sebagai contoh, sebuah konvolusi 5×5 dapat dipecah menjadi dua konvolusi 3×3 yang ditumpuk. Keduanya tetap memiliki bidang reseptif sebesar 5×5. Secara teori, konvolusi 5×5 lebih kuat karena memiliki 25 parameter, dibandingkan hanya 18 parameter pada versi ''factorized''. Namun, kekuatan tambahan ini tidak selalu dibutuhkan. Secara empiris, tim peneliti menemukan bahwa ''factorized convolutions'' lebih efektif.

Inception v3 juga menggunakan teknik reduksi dimensi dengan menggabungkan keluaran dari lapisan konvolusional dan lapisan pengumpulan. Sebagai contoh, tensor berukuran <math>35\times 35 \times 320</math> dapat diperkecil dengan konvolusi dengan ''stride'' 2 hingga <math>17 \times 17 \times 320</math>, dan dengan maxpooling dengan ukuran pool <math>2 \times 2</math> ke <math>17 \times 17 \times 320</math>. Keduanya kemudian digabungkan menjadi <math>17 \times 17 \times 640</math>.

Selain itu, inception v3 juga menghapus ''auxiliary classifier'' terbawah selama pelatihan. Tim peneliti menemukan bahwa ''auxiliary head'' berfungsi sebagai bentuk [[Regularisasi (matematika)|regularisasi]], sehingga tidak semua ''auxiliary classifiers'' diperlukan.

Mereka juga mengusulkan teknik ''label-smoothing regularization'' dalam klasifikasi. Untuk gambar berlabel <math>c</math>, alih-alih membuat model untuk memprediksi distribusi probabilitas <math>\delta_c = (0, 0, \dots, 0, \underbrace{1}_{c\text{-th entry}}, 0, \dots, 0)</math>, mereka membuat model tersebut memprediksi distribusi yang telah dihaluskan <math>(1- \epsilon)\delta_c + \epsilon/K</math> Di mana <math>K</math> adalah jumlah total kelas.

=== Awal mula v4 ===
Pada tahun 2017, tim peneliti merilis Inception v4, Inception ResNet v1, dan Inception ResNet v2.

Inception v4 adalah pembaruan tambahan dengan konvolusi yang lebih terfaktorisasi, dan komplikasi lain yang secara empiris ditemukan dapat meningkatkan tolok ukur.

Inception ResNet v1 dan v2 keduanya merupakan modifikasi dari Inception v4, di mana koneksi residual ditambahkan ke setiap modul Inception, terinspirasi oleh arsitektur ResNet.

=== Xception ===
Xception ("Extreme Inception") diterbitkan pada tahun 2017. Arsitektur ini adalah tumpukan linier lapisan konvolusi yang dapat dipisahkan berdasarkan kedalamannya dengan koneksi residual. Desain ini diusulkan berdasarkan [[hipotesis]] bahwa dalam CNN, korelasi lintas saluran dan korelasi spasial dalam peta fitur dapat ''dipisahkan sepenuhnya.''

== Referensi ==

* Daftar semua model Inception yang dirilis oleh Google: <cite class="citation web cs1">Sumber : ''GitHub''</cite> <cite class="citation web cs1">Diperoleh 2024-10-19 .</cite>

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Inception+%28arsitektur+pemelajaran+mendalam%29&oldid=27270562 Wikipedia bahasa Indonesia], revisi 27270562 (2025-05-14T02:23:54Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.