<![CDATA[Penelitian ini dilakukan untuk mengatasi permasalahan rendahnya stabilitas dan efisiensi pembelajaran pada Neural Network yang disebabkan oleh pemilihan parameter awal secara acak, seperti bobot, bias, dan learning rate. Penelitian ini bertujuan mengoptimasi parameter-parameter tersebut agar proses pelatihan menjadi lebih stabil, cepat, dan konsisten. Metode yang digunakan adalah optimasi Particle Swarm Optimization (PSO) yang diterapkan melalui tujuh tahapan, mulai dari pra-proses data, perancangan arsitektur model, perhitungan fungsi loss, inisialisasi bobot, optimasi learning rate serta bobot awal, sampai pelatihan model dan evaluasi performa. Dataset terdiri dari 10 sampel dengan lima fitur input dan satu target harga jual. Hasil penelitian menunjukkan bahwa PSO berhasil menghasilkan learning rate optimal sebesar 0.174 dan bobot awal yang lebih stabil dibandingkan model baseline. Evaluasi menggunakan confusion matrix menunjukkan peningkatan performa dibandingkan baseline yang hanya memperoleh accuration 60%, precision 0.60, recall 1.00, dan F1-score 0.75. Secara keseluruhan, optimasi PSO terbukti meningkatkan stabilitas pembelajaran, mempercepat konvergensi, dan menghasilkan model Neural Network yang lebih efisien serta lebih akurat.]]>
Copyrights © 2025
