Studi Komparasi Fungsi Aktivasi Sigmoid Biner, Sigmoid Bipolar dan Linear pada Jaringan Saraf Tiruan dalam Menentukan Warna RGB Menggunakan Matlab

Abstract

Abstract Neural network Backpropagation is a good method to use to determine RGB color (Red, Green, Blue) because it can give high accuracy values. Neural network backpropagation there are several activation functions that can be used. This study aims to determine the activation function and to form the optimal network architecture in the backpropagation in determining RGB colors. Neural network model backpropagation was developed using 3 types of activation functions, namely Binary Sigmoid, Bipolar Sigmoid, and Linear. Based on the training results, the Bipolar Sigmoid activation function produces the highest accuracy value compared to the Binary Sigmoid activation function and the Linear activation function. The optimal network architecture is modeled using 3 nodes in the input layer, 2 hidden layers consisting of 2 hidden layer nodes, and 1 node in the output layer. In the model that has been made, the percentage of network training and testing accuracy is 100% resulting in the smallest MSE with a value of 6,1E-03 in the 97th iteration in 485 milliseconds.. Keywords: activation function, artificial neural network, backpropagation, RGB. Abstrak Jaringan saraf tiruan backpropagation merupakan salah satu metode yang baik digunakan untuk menentukan warna RGB (Red, Green, Blue) karena dapat memberikan nilai akurasi yang tinggi. Pada jaringan saraf tiruan backpropagation terdapat beberapa fungsi aktivasi yang dapat digunakan. Penelitian ini bertujuan untuk mengetahui fungsi aktivasi serta membentuk arsitektur jaringan yang optimal pada jaringan saraf tiruan backpropagation dalam menentukan warna RGB. Pada penelitian ini, model jaringan saraf tiruan backpropagation dikembangkan menggunakan 3 jenis fungsi aktivasi yaitu Sigmoid Biner, Sigmoid Bipolar, dan Linear. Berdasarkan hasil pelatihan, fungsi aktivasi Sigmoid Bipolar menghasilkan nilai akurasi tertinggi dibandingkan fungsi aktivasi Sigmoid Biner dan fungsi aktivasi Linear. Arsitektur jaringan yang optimal dimodelkan dengan menggunakan 3 node pada input layer, 2 hidden layer yang terdiri dari masing-masing 2 node hidden layer, dan 1 node pada output layer. Pada model yang telah dibuat, persentase akurasi pelatihan dan pengujian jaringan adalah sebesar 100% menghasilkan MSE terkecil dengan nilai 6,1E-03 pada iterasi ke-97 dalam waktu 485 milidetik. Kata Kunci: fungsi aktivasi, jaringan saraf tiruan, backpropagation, RGB.

Keywords

• activation function, artificial neural network, backpropagation, rgb