PENERAPAN GREY WOLF OPTIMIZER DALAM PELATIHAN MULTI LAYER PERCEPTRON UNTUK MENANGANI MASALAH KLASIFIKASI DAN REGRESI

Abstract

Algoritma Grey Wolf Optimizer (GWO) merupakan salah satu metode metaheuristik terkini yang telah terbukti mampu menunjukkan kinerja yang handal dalam memecahkan berbagai masalah optimasi, terutama dalam mengoptimalkan parameter pada algoritma-algoritma Machine Learning. Salah satu algoritma Machine Learning yang populer adalah Multi Layer Perceptron (MLP), merupakan salah satu varian dari Artificial Neural Network (ANN) yang memiliki parameter weight dan bias yang sensitif terhadap kinerja modelnya. Oleh karenanya, GWO diterapkan untuk mengoptimalkan inisialisasi awal weight dan bias dalam pelatihan MLP untuk meningkatkan kinerja modelnya. Hasil eksperimen ini menunjukan bahwa optimalisasi GWO mampu meningkatkan kinerja MLP, baik pada klasifikasi Iris yang akurasinya meningkat sebesar 33.33% dan pada regresi Silica dengan RMSE yang menurun sebesar 0.1488.