Analisis Fungi Aktivasi Sigmoid Biner dan Bipolar Pada Backpropagation Dalam Mengklasifikasikan Pasien Kanker Pasca Operasi

Penulis

  • Fera Damayanti Universitas Harapan Medan
  • Arie Rafika Universitas Harapan Medan
  • Rismayanti Rismayanti Universitas Harapan Medan

DOI:

https://doi.org/10.52072/unitek.v16i2.687

Kata Kunci:

backpropagation, fungsi aktivasi, sigmoid biner, sigmoid bipolar, jaringan syaraf tiruan

Abstrak

Backpropagation adalah bagian dari Jaringan Syaraf Tiruan (JST) yang berlapis banyak, JST sendiri merupakan model matematis atau model komputasi yang terinspirasi oleh struktur dan atau aspek fungsional jaringan saraf biologis. Fungsi aktivasi yang dilakukan oleh Backpropagation ada dua yaitu fungsi sigmoid biner (binary sigmoid function) dan sigmoid bipolar (bipolar sigmoid function). Karakteristik yang harus dimiliki fungsi aktivasi tersebut adalah kontinyu dan tidak menurun secara monoton. 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). Pada penerapan fungsi aktivasi sigmoid biner didapat bahwa arsitektur dengan 20 hidden layerdengan learning rate 0.02 adalah yang terbaik dengan menghasilkan nilai epoch terkecil yaitu 21 dan nilai MSE sebesar 0,000969. Pelatihan dengan menggunakan fungsi aktivasi sigmoid bipolar didapat bahwa arsitektur dengan hidden layer14 adalah yang terbaik dalam melakukan klasifikasi pasien kanker paru pasca operasi dengan epochs 27 dan MSE 0,000895. Pada pelatihan menggunakan sigmoid bipolar ini dadapat bawha learning rate tidak berpengaruh pada proses pembelajaran, ini dibuktikan dengan hasil yang diapat sama semua dalam arsitektur yang sama. Berdasarkan pelatihan pada masing-masing fungsi aktivasi didapat bahwa fungsi aktivasi sigmoid bipolar adalah yang terbaik dalam melakukan pengujian dengan hasil keakuratan pengujian 73,3% dalam melakukan klasifikasi pasien kanker pasca operasi

Unduhan

Data unduhan belum tersedia.

Referensi

Astuti, B. S. F., & Purwaningsih, T. (2018). Deep learning application using neural network classification for cyberspace dataset with backpropagation algorithm and log-linear models. Jurnal Informatika, 12(1), 1. https://doi.org/10.26555/jifo.v12i1.a8566

Betaubun, R. M. N., Pawan, E., & Yuliasih, E. (2022). Face Recognition with Backpropagation Artificial Neural Networks Using the Sigmoid Activation Function. International Journal of Computer and Information System (IJCIS), 3(3), 121–126. https://doi.org/10.29040/ijcis.v3i3.82

Damayanti, F., Sundari, S., & Liza, R. (2023). Analisis Laju Pembelajaran Pada Backpropagation Dalam Memprediksi Bencana Alam Akibat Cuaca Ekstrim. Jurnal Unitek, 16(1), 61–70. https://doi.org/10.52072/unitek.v16i1.553

Eesa, A. S., & Arabo, W. K. (2017). A Normalization Methods for Backpropagation: A Comparative Study. Science Journal of University of Zakho, 5(4), 319. https://doi.org/10.25271/2017.5.4.381

Febriadi, B., Zamzami, Z., Yunefri, Y., & Wanto, A. (2018). Bipolar function in backpropagation algorithm in predicting Indonesia’s coal exports by major destination countries. IOP Conference Series: Materials Science and Engineering, 420(1). https://doi.org/10.1088/1757-899X/420/1/012087

Fera Damayanti, & Rismayanti, R. (2022). Optimasi Fungsi Pembelajaran Backpropagation dalam Mengklasifikasikan Pasien Kanker Paru Pasca Operasi. Jurnal Unitek, 15(1), 49–58. https://doi.org/10.52072/unitek.v15i1.335

Julpan, Nababan, E. B., & Zarlis, M. (2015). Analisis Fungsi Aktivasi Sigmoid Biner dan Sigmoid Bipolar Dalam Algoritma Backpropagation Pada Prediksi Kemampuan Siswa. Jurnal Teknovasi, 02(1), 103–116.

Kurniawan, E., Wibawanto, H., & Widodo, D. A. (2019). Implementasi Metode Backpropogation dengan Inisialisasi Bobot Nguyen Widrow untuk Peramalan Harga Saham. Jurnal Teknologi Informasi Dan Ilmu Komputer, 6(1), 49. https://doi.org/10.25126/jtiik.201961904

Panda, S., & Panda, G. (2020). Fast and improved backpropagation learning of multi-layer artificial neural network using adaptive activation function. Expert Systems, 37(5), 1–17. https://doi.org/10.1111/exsy.12555

Purwanta, I. P. B. D., Dewi, N. P. N. P., & Adi, C. K. (2020). Backpropagation Neural Network for Book Classification Using the Image Cover. International Journal of Applied Sciences and Smart Technologies, 2(2), 89–106. https://doi.org/10.24071/ijasst.v2i2.2653

Reddy, B. A., & Mandal, D. (2022). Detection of Lung cancer using Digital image Processing techniques and Artificial Neural Networks. Journal of Physics: Conference Series, 2327(1). https://doi.org/10.1088/1742-6596/2327/1/012078

Setti, S., & Wanto, A. (2019). Analysis of Backpropagation Algorithm in Predicting the Most Number of Internet Users in the World. Jurnal Online Informatika, 3(2), 110. https://doi.org/10.15575/join.v3i2.205

Tambunan, F., Purba, E. N., & Sitompul, J. N. (2022). Bipolar Approach in Recognition of Gorga Batak Patterns with the Hebbian Method. Jurnal Mantik, 5(36), 2729–2734.

Widodo, A. P., Sarwoko, E. A., & Firdaus, Z. (2017). Akurasi Model Prediksi Metode Backpropagation Menggunakan Kombinasi Hidden Neuron Dengan Alpha. Matematika, 20(2), 79–84.

##submission.downloads##

Diterbitkan

2023-12-28

Cara Mengutip

Damayanti, F., Rafika, A., & Rismayanti, R. (2023). Analisis Fungi Aktivasi Sigmoid Biner dan Bipolar Pada Backpropagation Dalam Mengklasifikasikan Pasien Kanker Pasca Operasi. JURNAL UNITEK, 16(2), 237–249. https://doi.org/10.52072/unitek.v16i2.687

Terbitan

Bagian

Articles