Teknologi PENGAPLIKASIAN DEEP LEARNING DENGAN DESAIN ARSITEKTUR JST UNTUK TUGAS REGRESI DAN KLASIFIKASI

Elektronika

Abstrak

Abstrak: Perkembangan teknologi mendorong penerapan Deep Learning, khususnya Artificial Neural Network (ANN), dalam menyelesaikan tugas regresi dan klasifikasi. ANN terdiri dari neuron buatan yang saling terhubung dan efektif dalam klasifikasi, prediksi, serta pengenalan pola. Penelitian ini bertujuan membangun dan menganalisis pengaruh variasi arsitektur Jaringan Syaraf Tiruan (JST) terhadap akurasi prediksi, menggunakan metode kuantitatif eksperimental dengan desain acak terkontrol. Dataset BostonHousing.csv digunakan untuk regresi dan Iris.csv untuk klasifikasi. Evaluasi regresi menggunakan MSE, R², dan MAE; sedangkan klasifikasi menggunakan akurasi dan confusion matrix. Hasil terbaik regresi diperoleh dari arsitektur 4 hidden layer (512, 256, 128, 64), fungsi aktivasi relu, sigmoid, tanh, relu, learning rate 0.001, dengan R² 89,2% dan MAE 1,94. Untuk klasifikasi, arsitektur terbaik (128, 64, 32, 16) dengan softmax output menghasilkan akurasi 99,8% dan akurasi model 100%.

Kata Kunci – deep learning, jaringan saraf tiruan, regresi, klasifikasi, arsitektur JST