Hybrid Particle Swarm Optimization dan Multi-Layer Perceptron dalam Klasifikasi Biner
Tahun 2026 · Penulis: Kharisma Kurnia Wulandari
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11400
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Hybrid Particle Swarm Optimization dan Multi-Layer Perceptron dalam Klasifikasi Biner
Perkembangan pembelajaran mesin telah mendorong penggunaan metode klasifikasi yang mampu menghasilkan prediksi akurat pada pola data yang kompleks. Multi-Layer Perceptron (MLP) adalah salah satu model yang digunakan secara luas karena kemampuannya untuk mempermodel hubungan nonlinear. Namun, proses pelatihan MLP menggunakan backpropagation memiliki keterbatasan, termasuk ketergantungan pada inisialisasi berat awal dan risiko terjebak dalam minima lokal. Oleh karena itu, dibutuhkan metode optimisasi untuk meningkatkan kinerja model. Penelitian ini bertujuan untuk mengimplementasikan sebuah optimasi Partikel Hibrida dan Persepsi Multi-Layer (PSO-MLP) metode untuk klasifikasi biner dan menganalisis kinerjanya dibandingkan dengan standar MLP. Penelitian ini menggunakan empat dataset dengan karakteristik yang berbeda. Tahap-tahap riset ini mencakup pemrosesan data seperti pembersihan data, seleksi fitur, pengkodean, dan normalisasi, diikuti dengan data yang membelah menjadi pelatihan, validasi, dan testing set. PSO diterapkan untuk mengoptimalkan bobot awal dan bias pada lapis tersembunyi pertama dari MLP, diikuti dengan pelatihan menggunakan algoritma backpropagation. Evaluasi model dilakukan menggunakan matriks kebingungan dengan ketepatan, presisi, ingat, dan F1-score metrik. Hasil menunjukkan bahwa metode PSO-MLP menghasilkan kinerja bervariasi di dataset. Model mencapai hasil terbaik pada dataset dengan kompleksitas rendah, mencapai akurasi 99,23%, dan melakukan cukup baik pada dataset lain. Namun, untuk dataset dengan dimensi yang lebih tinggi atau pola yang lebih kompleks, kinerja tidak secara signifikan meningkat dibandingkan dengan standar MLP. Kesimpulannya, metode Hybrid PSO- MLP tidak secara konsisten meningkatkan kinerja klasifikasi biner. Keefektifannya sangat bergantung pada karakteristik dari dataset yang digunakan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,861
Tahun 2026 · Penulis: Ainun Maya Rohmani
Object Based Augmentation berbasis Segment Anything Model terhadap penanganan Class Imbalance dataset cacat biji kopi
Ketidakseimbangan distribusi kelas (class imbalance) pada dataset citra cacat biji kopi merupakan salah satu faktor yang dapat menurunkan performa model deteksi, terutama pada kelas minoritas yang memiliki jumlah sampel terbatas. Permasalahan ini menjadi semak
- Cosine 0,855
Tahun 2025 · Penulis: Marcel Sintia Bela
Prediksi Cacat Perangkat Lunak Menggunakan Bi-LSTM dengan Teknik Oversampling SMOTE dan Representasi AST
Cacat perangkat lunak merupakan salah satu permasalahan utama dalam pengembangan sistem yang andal dan berkualitas tinggi. Ketidakseimbangan data, yakni jumlah modul tidak cacat yang jauh lebih banyak dibandingkan modul cacat, menjadi tantangan signifikan dala
- Cosine 0,849
Tahun 2026 · Penulis: Hasyim Ashari Abdul Mukti
Optimasi Hyperparameter Bayesian pada Model BiLSTM untuk Prediksi Time-Series Workload: Studi Kasus Proactive Auto-scaler Kubernetes
Kubernetes auto-scaling melalui Horizontal Pod Autoscaler (HPA) bergantung pada mekanisme reaktif yang memantau metrik real-time seperti penggunaan CPU dan memori. Namun, pendekatan reaktif ini sering menyebabkan gangguan layanan dan ketidakstabilan sistem kar