Optimasi Akurasi Backpropagation Dengan Adaptive Moment Estimation Terhadap Kasus Prediksi Deteksi Penyakit Paru-Paru

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi pada jaringan saraf tiruan (JST) dengan membandingkan dua metode pelatihan, yakni Backpropagation Standar dan Backpropagation yang dioptimasi menggunakan algoritma Adaptive Moment Estimation (Adam). Dataset yang digunakan merupakan data kategori sebanyak 30.000 entri yang telah melalui proses encoding dan normalisasi. Model JST dibangun dengan arsitektur tiga lapisan, dan proses pelatihan dilakukan pada data latih sebesar 80% serta data uji sebesar 20%. Hasil penelitian menunjukkan bahwa penggunaan Adam Optimizer mampu meningkatkan akurasi validasi maksimum menjadi 94,65%, lebih tinggi dibandingkan Backpropagation Standar yang hanya mencapai 86,62%. Selain itu, nilai loss juga menurun secara signifikan dari 0,6326 menjadi 0,0867. Peningkatan ini menunjukkan bahwa mekanisme adaptif dalam Adam Optimizer efektif dalam mempercepat konvergensi dan meningkatkan kemampuan generalisasi model. Dengan demikian, optimasi menggunakan Adam terbukti lebih efisien dan akurat dalam menangani kasus prediksi deteksi penyakit paru-paru.