Optimasi Training Neural Network Menggunakan Hybrid Adptive Mutation Particle Swarm Optimization dan Backpropagation

Optimasi Training neural network menggunakan Particle Swarm Optimization (PSO) dan Genetic Algorithm (GA) merupakan solusi untuk mengatasi kelemahan dari backpropagation (BP). PSO masih sering terjadi premature convergent (konvergen pada solusi optimum lokal), sedangkan GA membutuhkan waktu yang lama untuk mencapai konvergen dan crossover memungkinkan memperoleh hasil yang lebih buruk. Pada penelitian ini metode hybrid adaptive mutation particle swarm optimization dan backpropagation (AMPSO-BP) digunakan untuk training neural network pada iris plant, breast cancer, wine, glass identification dan pima indian diabetes. Penambahan PSO dengan adaptive mutation untuk mencegah premature convergent dan penggabungan dengan BP untuk meningkatkan efisiensi pencarian (local searching). Hasil training AMPSO-BP akan dibandingkan dengan PSO-BP, PSO, GA-BP, GA dan BP. Hasil pengujian menunjukkan AMPSO-BP mampu mengoptimalkan proses training neural network. AMPSO-BP lebih cepat mencapai nilai error minimum yang bersifat global minimum dan memiliki kemampuan memorisasi dan generalisasi yang optimum dengan hasil clasification error percentage yang lebih minimum. Kata Kunci: Adaptive Mutation, Backpropagation, Particle Swarm Optimization, Training Neural Network