<![CDATA[Perkembangan pesat algoritma deep learning telah memberikan kontribusi signifikan dalam pengolahan data kompleks yang memiliki karakteristik spasial dan temporal. Namun, penerapan model deep learning tunggal sering menghadapi keterbatasan dalam menangkap pola data secara menyeluruh, khususnya pada data berdimensi tinggi dan deret waktu. Penelitian ini bertujuan untuk menganalisis efektivitas penggunaan model deep learning hybrid yang mengombinasikan Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN) dalam meningkatkan kinerja pengolahan data kompleks. Metode penelitian yang digunakan adalah pendekatan kuantitatif eksperimental dengan membandingkan performa model CNN tunggal, RNN tunggal, dan model hybrid CNN–RNN. Dataset yang digunakan merupakan data sekunder dengan karakteristik multivariat dan temporal, yang diproses melalui tahapan pra-pemrosesan, pelatihan, dan evaluasi model. Hasil penelitian menunjukkan bahwa model hybrid CNN–RNN memberikan performa terbaik dibandingkan model tunggal, ditunjukkan oleh peningkatan akurasi, presisi, recall, dan F1-score secara signifikan. Selain itu, analisis kurva loss pelatihan dan validasi menunjukkan proses pembelajaran yang stabil dan kemampuan generalisasi yang baik. Penerapan teknik regularisasi dan attention mechanism juga terbukti mampu mengurangi overfitting serta meningkatkan interpretabilitas model. Dengan demikian, model deep learning hybrid CNN–RNN memiliki potensi besar untuk diterapkan dalam berbagai domain pengolahan data kompleks, seperti analisis sinyal medis, sistem keamanan berbasis IoT, dan analisis aktivitas manusia.]]>
Copyrights © 2025
