Implementasi Hierarchical Reasoning Model (HRM) Pada Kasus Klasifikasi

Abstract

Penelitian ini mengeksplorasi penerapan Hierarchical Reasoning Model (HRM) tersimulasi sebagai arsitektur pembelajaran mendalam untuk tugas klasifikasi pada berbagai karakteristik data. HRM dirancang untuk meniru proses kognitif dengan memisahkan "perencanaan" tingkat tinggi dari "eksekusi" tingkat rendah dalam siklus penalaran berulang. Model ini diimplementasikan menggunakan TensorFlow/Keras dan diuji pada tiga dataset benchmark: Breast Cancer Wisconsin (BCD), Diabetes Pima Indian, dan Iris. Hasil eksperimen menunjukkan perbedaan kinerja yang signifikan berdasarkan dimensi fitur dan kompleksitas data. HRM menunjukkan efektivitas superior pada dataset BCD (30 fitur) dengan mencapai akurasi pengujian sebesar 96%, membuktikan bahwa mekanisme penyempurnaan state laten sangat menguntungkan pada data berdimensi tinggi. Sebaliknya, pada dataset Diabetes (8 fitur), model mengalami overfitting ekstrem dengan akurasi 71%, sementara pada dataset Iris (4 fitur), model mengalami mode collapse dengan akurasi hanya 33,3%. Temuan ini menyimpulkan bahwa meskipun arsitektur penalaran hierarkis unggul dalam mengekstraksi informasi dari data yang kompleks dan kaya fitur, model ini cenderung tidak stabil dan over-engineered untuk dataset berdimensi rendah. Penelitian ini memberikan wawasan penting mengenai batasan struktural HRM dan perlunya adaptasi arsitektur berdasarkan karakteristik input data untuk mencapai generalisasi yang optimal.