MEDACT: FUNGSI AKTIVASI HIBRID BARU UNTUK MODEL RESNET PADA KLASIFIKASI CITRA MEDIS

Abstract

Penelitian ini menyoroti pentingnya pemilihan fungsi aktivasi pada model deep learning untuk klasifikasi tumor otak berbasis citra MRI. Sebanyak sebelas fungsi aktivasi, termasuk ReLU, Leaky ReLU, ELU, Swish, Mish, PReLU, GELU, SELU, HardSwish, MedAct Fixed, dan MedAct Learnable, dievaluasi pada arsitektur ResNet. Hasil menunjukkan hampir semua fungsi mencapai akurasi pengujian ≥ 99% dengan perbedaan relatif kecil. ReLU, Swish, Mish, dan MedAct Learnable menempati posisi terbaik dengan hanya dua kesalahan klasifikasi, sedangkan PReLU dan MedAct Fixed menunjukkan kelemahan dengan tujuh kesalahan. Temuan penting adalah bahwa fungsi aktivasi baru (MedAct Learnable), mampu menyamai performa fungsi aktivasi modern terbaik dan menunjukkan peningkatan signifikan dibandingkan MedAct Fixed. Hal ini menegaskan bahwa sifat adaptif parameter α memberikan kontribusi positif terhadap generalisasi model.