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

Abstract

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