ANALISIS PERBANDINGAN ROBUSTNESS MODEL NEURAL NETWORK BERBASIS PCA DENGAN REGULARISASI DROPOUT DAN L2 TERHADAP SERANGAN ADVERSARIAL FGSM PADA KLASIFIKASI OBJEK ASTRONOMI

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan robustness model neural network berbasis PCA yang menggunakan regularisasi Dropout dan L2 terhadap serangan adversarial FGSM pada klasifikasi objek astronomi. PCA diterapkan untuk mereduksi dimensi dan mempertahankan variansi utama data, kemudian dua model neural network dibangun dengan arsitektur identik namun menggunakan regularisasi berbeda. Serangan FGSM diuji menggunakan multi‑epsilon untuk mengevaluasi sensitivitas model terhadap perturbasi dengan intensitas beragam. Hasil penelitian menunjukkan bahwa kedua model memiliki akurasi tinggi pada data asli, namun mengalami penurunan performa saat diserang. Model Dropout menunjukkan ketahanan lebih baik pada epsilon rendah karena variasi aktivasi yang membantu menahan perubahan kecil pada input. Sebaliknya, model L2 memiliki stabilitas lebih baik pada epsilon yang lebih besar akibat penalti bobot yang membuat gradien lebih halus, meskipun penurunan akurasinya tetap signifikan pada serangan yang kuat. Analisis keseluruhan menunjukkan bahwa tidak ada satu teknik regularisasi yang unggul pada seluruh kondisi serangan, tetapi masing‑masing memiliki karakteristik robustness yang berbeda sesuai intensitas perturbasi. Temuan ini menegaskan pentingnya pemilihan regularisasi yang tepat dalam pengembangan model klasifikasi astronomi, serta perlunya integrasi teknik pertahanan tambahan untuk meningkatkan keamanan model terhadap serangan adversarial.