ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES

Abstract

Salah satu algoritma klasifikasi pada jaringan syaraf tiruan adalah Backpropagation (BPN). Namun algoritma Backpropagation Standard masih memiliki kekurangan seperti waktu pelatihan yang lama dan terjebak dalam local minimum. Oleh karena itu, pada penelitian ini akan mencoba mengatasi permasalahan tersebut dengan mengajukan metode BPN dengan menggunakan learning rates yang berbeda. Sehingga akan mendapatkan hasil pengukuran yang dicapai berdasarkan waktu training, jumlah iterasi dan akurasi. Dari hasil ujicoba dengan nilai learning rate 0.2 menunjukkan berkurangnya jumlah iterasi 11 kali dibandingkan dengan BPN Standard pada K = 2 fold, waktu training menjadi 4.30 detik pada K = 3 fold dan akurasi masih di atas 80% di dataset Diabetes. Hasil tersebut membuktikan waktu pelatihan Backpropagation menjadi lebih cepat dalam klasifikasi penyakit diabetes dengan mengurangi jumlah iterasinya, tetapi tetap menghasilkan nilai akurasi yang baik.

Kata Kunci: Klasifikasi, Diabetes, Jaringan Syaraf Tiruan, Backpropagation, Learning Rate.