Optimasi Parameter Jaringan Saraf Tiruan Menggunakan Algoritma Genetika dengan Partially Mapped Crossover (PMX): Analisis Kinerja Berbasis Simulasi

Khairuddin Nasution, Muhammad Zulfansyuri Siambaton


Abstract


Kinerja Jaringan Saraf Tiruan (JST) sangat dipengaruhi oleh pemilihan hiperparameter yang tepat, termasuk laju pembelajaran, jumlah neuron tersembunyi, dan momentum. Penelitian ini memperkenalkan strategi optimisasi yang disempurnakan berdasarkan Algoritma Genetika (AG) yang menggabungkan operator Partially Mapped Crossover (PMX) untuk menyesuaikan parameter JST secara efektif. Pendekatan PMX-AG yang diusulkan dievaluasi menggunakan dataset klasifikasi Iris melalui eksperimen simulasi dan diuji bandingkan dengan metode crossover AG konvensional, yaitu crossover satu titik dan seragam. Kinerja dievaluasi menggunakan mean squared error (MSE), akurasi klasifikasi, dan kecepatan konvergensi. Temuan menunjukkan bahwa PMX-AG mencapai nilai MSE yang lebih rendah (0,0187) dan akurasi yang lebih tinggi (97,33%), sekaligus menunjukkan konvergensi yang lebih cepat dan ketahanan yang lebih baik. Hasil ini menunjukkan bahwa PMX-AG merupakan teknik yang menjanjikan untuk mengoptimalkan hiperparameter JST dalam aplikasi kecerdasan komputasional.

Keywords


Algoritma Genetika, Partially Mapped Crossover, Jaringan Saraf Tiruan, Kecerdasan Komputasional.

Full Text:

PDF

References


. Mirjalili, S. (2019). Genetic Algorithm. Springer, Nature.

. Hassan, R., et al. (2021). "Hybrid metaheuristics for neural network optimization." Applied Soft Computing, 110.

. Deep, K., & Mebrahtu, H. (2018). "Comparison of crossover operators in Genetic Algorithms." Journal of Computational Optimization, 12(3).

. Nguyen, Q., & Li, X. (2020). "Extending PMX crossover for continuous optimization problems." Expert Systems with Applications, 159.

. Bergstra, J., & Bengio, Y. (2013). "Random search for hyperparameter optimization." Journal of Machine Learning Research, 13(1).

. Aljarah, I., Faris, H., & Mirjalili, S. (2018). "Optimizing ANN using bio-inspired algorithms: A comparative study." Information Sciences, 423.

. Fister, I., Yang, X.-S., & Brest, J. (2019). "A comprehensive review of nature-inspired algorithms for ANN training." Neural Computing and Applications, 31(11).

. Zhao, S., et al. (2022). "Improving neural network generalization through evolutionary crossover adaptation." Soft Computing, 26(9).

. Weng, R., et al. (2020). "Adaptive genetic operators for deep learning optimization." Engineering Applications of Artificial Intelligence, 95.

. Holland, J.H. (1992). Adaptation in Natural and Artificial Systems. MIT Press.

. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

. Gen M., Cheng R., 1997, Genetic Algoritms & Engineering, Jhon Willey and Sons.

. Mitchell, M. (1998). An Introduction to Genetic Algorithms. MIT Press




DOI: https://doi.org/10.30743/jet.v11i2.13384

Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Khairuddin Nasution

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.