Analisis Pengaruh Fungsi Aktivasi CNN terhadap Performa Klasifikasi Hewan

Abstract

Penelitian ini bertujuan untuk menganalisis pengaruh lima jenis fungsi aktivasi—ReLU, LeakyReLU, ELU, Sigmoid, dan Tanh terhadap performa model Convolutional Neural Network (CNN) dalam tugas klasifikasi citra menjadi tiga kelas: kucing, anjing, dan hewan liar. Evaluasi dilakukan menggunakan metrik akurasi validasi, grafik pertumbuhan akurasi per epoch, serta analisis confusion matrix. Hasil menunjukkan bahwa fungsi aktivasi modern seperti LeakyReLU, ELU, dan ReLU mampu memberikan akurasi tinggi dengan distribusi prediksi yang seimbang, mengindikasikan efektivitasnya dalam mengatasi permasalahan vanishing gradient dan meningkatkan kemampuan generalisasi model. Sebaliknya, fungsi klasik seperti Sigmoid dan Tanh menunjukkan performa yang sangat buruk, dengan prediksi tidak seimbang dan akurasi stagnan. Dengan demikian, pemilihan fungsi aktivasi terbukti menjadi faktor krusial dalam membangun model CNN yang optimal untuk klasifikasi citra. Penelitian ini merekomendasikan penggunaan fungsi aktivasi berbasis ReLU, khususnya LeakyReLU, sebagai pilihan utama dalam pengembangan model klasifikasi citra multi-kelas. This study aims to analyze the impact of five activation functions—ReLU, LeakyReLU, ELU, Sigmoid, and Tanh—on the performance of a Convolutional Neural Network (CNN) model for image classification into three categories: cats, dogs, and wild animals. The evaluation was conducted using validation accuracy metrics, accuracy trends across training epochs, and confusion matrix analysis. The results show that modern activation functions such as LeakyReLU, ELU, and ReLU yield high accuracy and balanced predictions, demonstrating their effectiveness in mitigating vanishing gradient issues and enhancing the model's generalization capability. In contrast, classical functions like Sigmoid and Tanh performed poorly, producing imbalanced predictions and stagnant accuracy Therefore, the choice of activation function plays a critical role in building an optimal CNN model for image classification tasks. This study recommends ReLU-based activation functions, particularly LeakyReLU, as the primary choice for developing multi-class image classification models.