Perbandingan Fungsi Aktivasi Terhadap Kinerja Algoritma Neural Network Pada Klasifikasi Data Diabetes

Abstract

Penelitian ini menggunakan algoritma backpropagation dengan membandingkan tiga fungsi aktivasi Sigmoid biner, Sigmoid bipolar, dan Tanh dalam mengklasifikasikan Data Diabetes. Dataset terdiri dari 70.692 data dengan 18 atribut, dengan 17 atribut sebagai input dan 1 atribut (Diabetes) sebagai target klasifikasi. Algoritma ini mampu melakukan klasifikasi pada kasus diabetes berdasarkan pengujian kinerja yang dilakukan dengan hasil perbandingan akurasi dengan rasio data terbaik pada 90:10 dengan tiga jenis fungsi aktivasi. sigmoid biner dengan arsitektur 17-5-1 didapatkan akurasi sebesar 76,22% dengan precision sebesar 83,07% untuk kelas 0 dan 71,63% untuk kelas 1, recall didapatkan hasil sebesar 66, 23% untuk kelas 0, untuk fungsi aktivasi sigmoid bipolar dengan arsitektur 17-15-1 didapatkan hasil akurasi sebesar 76,02% dengan precision kelas 0 dan 1 sebesar 80,97% dan 72,42% dan recall untuk kelas 0 dan 1 berturut-turut sebesar 68,08% dan 83,97%, sedangkan untuk akurasi dengan fungsi aktivasi TanH dengan arsitektur 17-15-1 didapatkan hasil sebesar 76,02% dengan presisi sebesar 80,97% untuk kelas 0 dan 72,42% untuk kelas 1 dengan nilai recall sebesar 68,08% untuk kelas 0 dan 83,97%. Berdasarkan hasil akurasi tersebut maka disimpulkan fungsi aktivasi sigmoid biner memberikan nilai akurasi terbaik pada dataset diabetes