Laporkan Masalah

Pengaruh Jumlah Hidden Layer terhadap Kinerja Akurasi dan Waktu Pembelajaran pada Jaringan Syaraf Tiruan

Muhamad Alif Ridha, Prof. Dr. Ir. Risanuri Hidayat, M.Sc., IPM.

2026 | Skripsi | TEKNIK ELEKTRO

Jaringan syaraf tiruan merupakan model pembelajaran mesin yang dapat digunakan untuk mengenali pola dan melakukan klasifikasi. Salah satu arsitektur yang banyak digunakan adalah multilayer perceptron (MLP), tetapi penentuan jumlah hidden layer dan hidden neuron masih menjadi permasalahan karena pengaruhnya dapat berbeda pada setiap karakteristik data. Penelitian ini bertujuan menganalisis pengaruh variasi jumlah hidden neuron dan jumlah hidden layer terhadap akurasi klasifikasi dan jumlah epoch pelatihan pada dataset yang digunakan. Penelitian dilakukan dengan metode kuantitatif melalui eksperimen pada satu dataset sintetis linearly separable berukuran 16 sampel, dua fitur, dan tiga kelas. Hasil penelitian menunjukkan bahwa penambahan jumlah hidden neuron pada satu hidden layer menurunkan jumlah epoch hingga mencapai titik saturasi, tetapi tidak meningkatkan akurasi secara konsisten. Sebaliknya, penambahan jumlah hidden layer dengan jumlah hidden neuron tetap cenderung meningkatkan jumlah epoch dan variasi hasil pelatihan pada konfigurasi yang lebih dalam. Pada dataset sintetis kecil yang digunakan, penambahan kedalaman jaringan tidak memberikan peningkatan akurasi yang signifikan secara konsisten. Dengan demikian, pemilihan arsitektur MLP perlu dilakukan secara selektif dan kesimpulan penelitian ini dibatasi pada dataset serta skenario eksperimen yang digunakan.

Artificial neural networks are machine learning models that can be used to recognize patterns and perform classification. One widely used architecture is the multilayer perceptron (MLP), but determining the number of hidden layers and hidden neurons remains challenging because their effects may differ across data characteristics. This study analyzes the effect of varying the number of hidden neurons and hidden layers on classification accuracy and the number of training epochs for the dataset used. The research was conducted using a quantitative experimental method on one synthetic linearly separable dataset consisting of 16 samples, two features, and three classes. The results show that increasing the number of hidden neurons in a single hidden layer reduces the number of epochs until a saturation point is reached, but it does not consistently improve accuracy. In contrast, increasing the number of hidden layers with a fixed number of hidden neurons tends to increase the number of epochs and the variability of training results in deeper configurations. For the small synthetic dataset used in this study, increasing network depth does not consistently provide a significant improvement in accuracy. Therefore, MLP architecture selection should be performed selectively, and the conclusions of this study are limited to the dataset and experimental scenario used.

Kata Kunci : Jaringan syaraf tiruan, multilayer perceptron, hidden neuron, hidden layer, akurasi, epoch

  1. S1-2026-439613-abstract.pdf  
  2. S1-2026-439613-bibliography.pdf  
  3. S1-2026-439613-tableofcontent.pdf  
  4. S1-2026-439613-title.pdf