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

2026-08-23T13:56:52Z

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

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29568195; atribusi sumber disertakan.

2026-08-23T13:21:01Z

Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29568195; atribusi sumber disertakan.

Halaman baru

'''LeNet''' adalah sebuah struktur [[jaringan saraf konvolusional]] yang diusulkan oleh [[Yann LeCun|LeCun]], dkk. pada tahun 1998. Secara umum, LeNet mengacu pada LeNet-5 dan merupakan [[jaringan saraf konvolusional]] (CNN) sederhana. CNN merupakan bagian dari [[jaringan saraf umpan maju]] yang [[Sel saraf|neuron]]-neuron buatannya dapat merespons sel-sel di sekitarnya dalam rentang cakupan tertentu dan bekerja dengan baik dalam pemrosesan gambar berskala besar.

== Sejarah pengembangan ==
LeNet-5 adalah salah satu [[jaringan saraf konvolusional]] paling awal yang juga berperan dalam mempromosikan pengembangan [[Pemelajaran dalam|pembelajaran mendalam]]. Sejak 1988, setelah penelitian bertahun-tahun dan banyak sekali percobaan, karya rintisan tersebut diberi nama LeNet-5.

Pada tahun 1989, untuk pertama kalinya, [[Yann LeCun]], dkk. di [[Bell Labs]] mengimplementasikan [[algoritma perambatan mundur]] untuk aplikasi praktis. Mereka percaya bahwa kemampuan untuk mempelajari generalisasi jaringan dapat ditingkatkan secara signifikan dengan membatasi domain masalah. Ia menggabungkan jaringan saraf konvolusional yang telah dilatih dengan algoritma perambatan mundur untuk membaca angka tulisan tangan dan berhasil mengimplementasikan nomor [[kode pos]] tulisan tangan yang disediakan oleh [[Jawatan Pos Amerika Serikat|Jawatan Pos AS]]. Prototipe inilah yang nantinya menjadi LeNet. Pada tahun yang sama, LeCun menguraikan masalah pengenalan digit tulisan tangan kecil dalam artikel jurnal lain. Ia berhasil menunjukkan bahwa meskipun masalah tersebut dapat dipisahkan secara linear, jaringan lapisan tunggal memiliki kemampuan generalisasi yang buruk. Namun, ketika menggunakan pendeteksi [[Fitur (arkeologi)|fitur]] dengan invarian-geser (''shift-invariant'') pada jaringan multi-lapis berkendala (''multi-layered, constrained network''), model tersebut dapat memiliki performa yang sangat baik. Ia meyakini bahwa hasil ini membuktikan bahwa dengan meminimalkan jumlah parameter bebas dalam jaringan saraf dapat meningkatkan kemampuan generalisasinya.

Pada tahun 1990, mereka kembali memublikasikan makalah ilmiah yang menjelaskan penerapan jaringan perambatan mundur dalam pengenalan digit tulisan tangan. Pada makalah ini, mereka hanya melakukan sedikit pra-pemrosesan pada data dengan model yang dirancang secara cermat dan berkendala besar. Data masukan dalam bentuk citra berjumlah banyak yang masing-masing berisi satu digit angka. Hasil pengujian pada data digital kode pos yang disediakan oleh [[Jawatan Pos Amerika Serikat|Jawatan Pos]] AS menunjukkan bahwa model tersebut memiliki tingkat kesalahan hanya sebesar 1% dan penolakan sekitar 9%.

Setelah itu, penelitian mereka berlanjut untuk empat tahun berikutnya. Pada tahun 1994, [[MNIST|kumpulan data MNIST]] berhasil dikembangkan. Namun, karena LeNet-1 sebelumnya terlalu kecil, LeNet-4 dikembangkan untuk dilatih pada data baru tersebut. Setahun kemudian, kelompok [[AT&T]] [[Bell Labs]] memperkenalkan LeNet-5. Selain itu, mereka juga membandingkan berbagai metode pengenalan karakter tulisan tangan untuk mengidentifikasi berbagai tugas ''[[Tolok ukur (komputasi)|benchmark]]'' dandidapatkan bahwa jaringan terbaru mengungguli model-model lain. Pada tahun 1998, [[Yann LeCun]], [[Leon Bottou]], [[Yoshua Bengio]], dan Patrick Haffner memperkenalkan contoh [[aplikasi]] praktis jaringan saraf, seperti dua sistem untuk mengenali karakter tulisan tangan secara daring dan model yang dapat membaca jutaan cek per hari.

Penelitian ini mencapai kesuksesan besar dan membangkitkan minat para akademisi dalam studi jaringan saraf. Meskipun arsitektur jaringan saraf terbaik saat ini tidak sama dengan LeNet, LeNet merupakan titik awal untuk sejumlah besar arsitektur jaringan saraf, dan juga menginspirasi penelitian di bidang tersebut.

== Struktur ==

Sebagai perwakilan jaringan saraf konvolusional awal, LeNet memiliki unit-unit dasar jaringan saraf konvolusional, seperti lapisan konvolusional (''convolutional layer''), lapisan penggabungan (''pooling layer''), dan lapisan terhubung sepenuhnya (''fully-connected layer'') yang merupakan dasar bagi pengembangan jaringan saraf konvolusional di masa mendatang. LeNet-5 terdiri dari tujuh lapisan dengan citra masukan berukuran 32*32 piksel. Selain lapisan masukan, setiap lapisan lainnya dapat [[Parameter kereta api|melatih parameter]] (seperti pada gambar). Cx merupakan representasi dari lapisan konvolusi, Sx merupakan representasi dari lapisan sub-sampling, Fx merupakan representasi dari lapisan koneksi lengkap, dan x merupakan representasi dari indeks lapisan.

Lapisan C1 adalah [[Lilitan|lapisan konvolusi]] dengan enam kernel konvolusi berukuran 5x5, sementara peta fiturnya berukuran 28x28 yang dapat mencegah informasi citra masukan keluar dari batas kernel konvolusi.

Lapisan S2 adalah lapisan ''subsampling/pooling'' yang menghasilkan 6 grafik fitur berukuran 14x14. Setiap sel di setiap peta fitur terhubung ke ketetanggaan berukuran 2x2 di peta fitur yang sesuai di C1.

Lapisan C3 adalah lapisan konvolusi dengan 16 5-5 kernel konvolusi. Masukan dari enam peta fitur C3 pertama merupakan setiap [[Himpunan bagian|subset]] berkesinambungan dari tiga peta fitur di S2, masukan dari enam peta fitur berikutnya berasal dari masukan dari empat subset berkesinambungan, dan masukan dari tiga peta fitur berikutnya berasal dari empat subset tidak berkesinambungan. Terakhir, masukan untuk grafik fitur terakhir berasal dari semua grafik fitur S2.

Lapisan S4 mirip dengan S2, dengan ukuran 2x2 dan keluaran 16 5x5 grafik fitur.

Lapisan C5 adalah lapisan konvolusi dengan 120 kernel konvolusi berukuran 5x5. Setiap sel terhubung ke lingkungan 5*5 pada semua 16 grafik fitur S4. Di sini, karena ukuran grafik fitur S4 juga 5x5, ukuran keluaran C5 adalah 1*1. Jadi S4 dan C5 terhubung sepenuhnya. C5 diberi label sebagai lapisan konvolusional dan bukan lapisan terhubung penuh, karena jika masukan LeNet-5 menjadi lebih besar dan strukturnya tetap tidak berubah, ukuran keluarannya akan lebih besar dari 1x1, yaitu bukan lapisan terhubung penuh.

Lapisan F6 adalah lapisan yang sepenuhnya terhubung ke C5 dan 84 adalah grafik fitur yang dikeluarkan.

== Fitur ==

* Setiap [[Jaringan saraf konvolusional|lapisan konvolusional]] mencakup tiga bagian: konvolusi, ''pooling'', dan [[fungsi aktivasi]] nonlinier
* Menggunakan konvolusi untuk mengekstraksi fitur spasial (Konvolusi awalnya disebut sebagai bidang reseptif)
* Lapisan pengumpulan menggunakan rata-rata subsampling (''average pooling layer'')
* [[fungsi aktivasi]] tanh
* Menggunakan MLP sebagai pengklasifikasi terakhir
* Koneksi jarang (''sparse connection'') antar lapisan untuk mengurangi kompleksitas komputasi

== Aplikasi ==
Aplikasi LeNet yang paling klasik adalah untuk mengenali citra digit sederhana karena ia diciptakan karena itu.

[[Yann LeCun]] dkk. membuat bentuk awal LeNet pada tahun 1989. Makalah ilmiah berjudul ''Backpropagation Applied to Handwrittern Zip code Recognition'' menunjukkan bagaimana kendala tersebut dapat diintegrasikan ke dalam jaringan [[Algoritma perambatan mundur|perambatan mundur]] melalui arsitektur jaringan yang berhasil diterapkan pada pengenalan angka kode pos tulisan tangan yang disediakan oleh Jawatan Pos Amerika.

== Analisis pengembangan ==
LeNet-5 menunjukkan kebangkitan [[Jaringan saraf konvolusional|CNN]] dan mendefinisikan komponen dasar [[Jaringan saraf konvolusional|CNN]]. Namun, saat itu belum populer karena keterbatasan perangkat keras, terutama [[Unit pemroses grafis|GPU]] dan algoritma lain, seperti [[Mesin vektor pendukung|SVM]] yang dapat mencapai efek serupa atau bahkan melampaui LeNet.

Sejak keberhasilan AlexNet pada tahun 2012, [[Jaringan saraf konvolusional|CNN]] telah menjadi pilihan terbaik untuk aplikasi [[visi komputer]] dan berbagai jenis [[Jaringan saraf konvolusional|CNN]] telah dibuat, seperti seri R-[[Jaringan saraf konvolusional|CNN]]. Saat ini, model [[Jaringan saraf konvolusional|CNN]] sangat berbeda dari LeNet, tetapi semuanya dikembangkan berdasarkan LeNet.

Arsitektur pohon berlapis tiga yang meniru LeNet-5 dan hanya terdiri dari satu lapisan konvolusional, telah mencapai tingkat keberhasilan yang sama pada dataset CIFAR-10.

Peningkatan jumlah filter untuk arsitektur LeNet menghasilkan peluruhan hukum daya pada tingkat kesalahan. Hasil ini menunjukkan bahwa jaringan dangkal dapat mencapai kinerja yang sama dengan arsitektur pemelajaran mendalam.

== Referensi ==

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=LeNet&oldid=29568195 Wikipedia bahasa Indonesia], revisi 29568195 (2026-08-12T22:06:42Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

LeNet - Riwayat revisi

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

Maintenance script: Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 29568195; atribusi sumber disertakan.