Implementasi Konsep Tiny Recursion Model Pada Kasus Klasifikasi

Abstract

Tren deep learning saat ini didominasi oleh model skala miliaran parameter, yang berhasil mencapai kinerja state-of-the-art namun secara inheren menimbulkan tantangan besar dalam biaya komputasi, konsumsi energi, dan efisiensi deployment di lingkungan dengan sumber daya terbatas. Oleh karena itu, penelitian ini bertujuan untuk menjembatani kesenjangan tersebut dengan mengeksplorasi arsitektur alternatif yang mengutamakan efisiensi parameter tinggi dan kemampuan penalaran yang superior. Penelitian ini mengimplementasikan dan mengevaluasi Tiny Recursion Model (TRM), sebuah arsitektur yang berfokus pada penalaran rekursif dengan jumlah parameter yang minimal, pada tugas klasifikasi data tabular. Metode yang digunakan adalah implementasi kustom TRM dalam Keras/TensorFlow, di mana jaringan saraf dua lapis tunggal dengan bobot bersama melakukan pemurnian prediksi secara iteratif (rekursi 10 langkah). Dataset yang digunakan meliputi tiga kasus klasifikasi standar: Iris, Breast Cancer, dan Diabetes. Hasil penelitian menunjukkan bahwa TRM yang sangat efisien, dengan hanya ribuan parameter, berhasil mencapai akurasi pengujian yang kompetitif (hingga 97% untuk Iris, 94% untuk Breast Cancer, dan 78% untuk Diabetes). Temuan ini memvalidasi efektivitas TRM sebagai solusi deep learning yang ringan dan terfokus pada penalaran untuk tugas klasifikasi