Optimasi Fungsi Pembelajaran Backpropagation dalam Mengklasifikasikan Pasien Kanker Paru Pasca Operasi

Penulis

  • Fera Damayanti Universitas Harapan Medan
  • Rismayanti Rismayanti Universitas Harapan Medan

DOI:

https://doi.org/10.52072/unitek.v15i1.335

Kata Kunci:

Jaringan Syaraf Tiruan, Backpropagation, Klasifikasi, Fungsi Pembelajaran, Matlab

Abstrak

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.

Unduhan

Data unduhan belum tersedia.

Referensi

Sutojo, T et al . (2011). Kecerdasan Buatan. Yogyakarta Andi Offset

Lesatari, Y.D. (2017). Jaringan syaraf tiruan untuk prediksi penjualan jamur menggunakan algoritma backpropagatio. Jurnal ISD Vo.2 No.1. (40-46)

Upadhyay, K.G et al. (2011). Short-term Wind Speed Forecasting Using Feed-Forward Backpropagation Neural Network. International Journal of Engineering, Science and Technology.

Aulia.R. (2018). Penerapan metoe backpropagation untuk memprediksi jumlah kunjungan wisatawan berdasarkan tingkat hunia hotel. Jurnal Teknologi dan Sistem Informasi. Vol.IV No.2. (115-122)

Cynthia, E.P & Ismanto, E. (2017). Jaringan syaraf tiruan algoritma backpropagation dalam mempresiksi ketersedian komoditi pangan Provinsi Riau. Jurnal Teknologi dan Sistem Informasi Univrab. Vol.2 No.2. (196-209)

Damayanti, F. (2017). Penerapan jaringan syaraf tiruan metode backpropagation dalam mengklasifikasikan pasien pasca operasi kanker paru. Tulus et al (Eds.), Innovation in mobile education technologi and applications (pp 24-29). Prosiding SNASTIKOM 2017

Fagustina, A et al. (2016). Pengaruh Fungsi Pembelajaran Terhadap Kinerja Pelatihan Jaringan Syaraf Tiruan Backpropagation. ITSMART: Jurnal Teknologi dan Informasi. Universitas Sebelas Maret

##submission.downloads##

Diterbitkan

2022-06-27

Cara Mengutip

Damayanti, F., & 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

Terbitan

Bagian

Articles