Optimasi Fungsi Pembelajaran Backpropagation dalam Mengklasifikasikan Pasien Kanker Paru Pasca Operasi

Abstract

Backpropagation merupakan bagian dari Jaringan Syaraf Tiruan (JST) yang berlapis banyak. Dalam penelitian sebelumnya tentang Penerapan JST Metode Backpropagation Dalam Mengklasifikasikan Pasien Pasca Operasi Kanker Paru hasil klasifikasi didapat berdasarkan bentuk arsitektur terbaik, laju pembelajaran (learning rate) dan hanya menggunakan satu fungsi backpropagation yaitu Levenberg-Marquart (trainlm). Backpropagation memiliki bermacam-macam fungsi pembelajaran untuk bobot-botot yang terdapat di Matlab yaitu Gradient Descent dengan Momentum (traingdm), Gradient Descent dengan Adaptive Learning Rate (traingda), Resilent Backpropagation(traingrp) dan lain sebagainya. Yang mana fungsi-fungsi tersebut memiliki hasil yang berbeda-beda dalam melakukan pembelajaran. Untuk mengetahui fungsi mana yang terbaik dalam melakukan klasifikasi maka perlu dilakukan analisis pada masing-masing fungsi pembelajaran. Dalam proses pembelajaran Berdasarkan pelatihan dan pengujian dengan merubah arsitektur hidden layer yaitu 2, 7, 14, 32, dan 70 pada masing-masing fungsi pembelajaran. Fungsi pembelajaran yang memiliki epoch terkecil adalah TRAINLM dengan hidden layer 70 menghasilkan 11 epoch dan MSE 0,00955. Sedangkan fungsi pembelajaran yang menghasilkan MSE terkecil adalah TRAINOSS dengan hidden layer 7 sebesar 0,0071 dan 6278 epoch. Hasil pengujian pada 10 data uji didapat hasil keakuratan sebesar 70%  backpropagation dalam mengenali target.