MEDACT: PERANCANGAN DAN ANALISIS TEORITIS AKTIVASI BARU UNTUK DEEP NEURAL NETWORK PADA CITRA MEDIS

Abstract

Fungsi aktivasi merupakan komponen fundamental dalam deep neural network karena menentukan kemampuan model dalam mempelajari hubungan nonlinier dari data. Dalam konteks citra medis, fungsi aktivasi tidak hanya dituntut stabil secara numerik tetapi juga mampu mengekstraksi fitur morfologi halus dengan sensitivitas tinggi. Artikel ini mengusulkan sebuah fungsi aktivasi baru bernama MedAct (Medical Activation Function) yang dirancang secara teoritis sebagai fungsi hibrida antara komponen linear, sigmoid, dan hiperbolik. MedAct dirumuskan sebagai MedAct(x) = x ⋅ tanh(α ⋅ σ(x)), dengan parameter alpha (α) yang dapat ditetapkan secara tetap (fixed) maupun dipelajari (learnable). Penelitian ini membahas prinsip perancangan, formulasi matematis, sifat diferensiabilitas, stabilitas gradien, analisis perilaku asimtotik, serta relevansinya terhadap karakteristik citra medis. Kajian ini bersifat konseptual dan dimaksudkan sebagai dasar teoritis bagi penelitian eksperimental lanjutan pada arsitektur deep learning seperti ResNet.