ABSTRAKSI: Jaringan saraf tiruan multilayer perceptron backpropation paling sering digunakan untuk mengatasi permasalahan klasifikasi, pengenalan, dan prediksi. Jaringan membentuk arsitektur yang tepat sehingga jaringan mampu melakukan klasifikasi, pengenalan, dan prediksi dengan tingkat kesalahan seminimal mungkin. Arsitektur jaringan tersusun atas bit – bit koneksi penghubung dan bobot – bobot penghubung. Bit koneksi menunjukkan apakah penghubung menghubungkan unit ke unit lapisan diatasnya atau sebaliknya. Bobot penghubung menunjukkan besarnya bobot dari penghubung untuk menentukan besarnya sinyal yang diteruskan. Namun, jaringan saraf tiruan multilayer perceptron backpropagation memungkinkan dirinya untuk terjebak pada optimum local, dengan kata lain arsitektur jaringan yang didapat belum tentu arsitektur yang optimum. Dengan demikian, jaringan saraf tiruan multilayer perceptron backpropagation memerlukan metode untuk menghindarkan dirinya dari optimum lokal. Salah satunya, tabu search untuk mengatasi permasalahan optimum lokal.
Selain itu, jaringan saraf tiruan multilayer perceptron backpropagation memungkinkan dirinya memiliki bobot – bobot yang dapat mengurangi kemampuan generalisasi jaringan. Dengan demikian, diperlukan metode yang dapat meng-eliminasi bobot-bobot yang dapat menurunkan kemampuan generalisasi jaringan. Salah satunya, weight elimination yang dapat mengeliminasi bobot – bobot yang dapat mengurangi kemampuan generalisasi jaringan.
Jaringan saraf tiruan multilayer perceptron backpropagation melakukan proses pelatihan dan pengujian untuk mendapatkan arsitektur jaringan dengan tingkat akurasi yang tinggi. Kemudian, arsitektur jaringan yang telah didapat dari jaringan saraf tiruan multilayer perceptron dioptimasi dengan tabu search. Tabu search akan membentuk ruang pencarian dengan cara membentuk jaringan baru yang merupakan pemutusan atau penyambungan bit – bit koneksi jaringan lama dan penambahan atau penurunan bobot – bobot jaringan lama. Setiap jaringan yang dibentuk oleh tabu search dilatih dengan backpropagation – weight elimination dan diuji untuk mendapatkan arsitektur jaringan yang lebih sedikit persentase bit koneksi jaringan namun tidak menurunkan tingkat akurasi jaringan.
Dari hasil implementasi, jaringan yang diperoleh dari tabu search memiliki arsitektur dengan persentase bit koneksi yang lebih kecil dibandingkan dari jaringan yang diperoleh dari jaringan saraf tiruan multilayer perceptron backpropagation. Namun, kesalahan jaringan selama proses pelatihan dari tabu search lebih besar dibanding dari kesalahan jaringan hasil pelatihan jaringan saraf tiruan multilayer perceptron backpropagation.Kata Kunci : jaringan saraf tiruan multilayer perceptron backpropagation, tabuABSTRACT: Artificial neural network of multilayer perceptron backpropagation is mostly used for handling of classification, recognition, and prediction. Artificial neural network create well architecture to solve classification, recognition, and prediction with minimum error. Architecture of artificial neural network consists of connection bit of connector and weight of connector. Connection bit of connector shows that connector connects one unit in lower layer to another unit in higher layer or not. Weight of connector shows that how many signal that will be sent. But, artificial neural network of multilayer perceptron backpropagation is possible to trap in local optimum. So, artificial neural network of backpropagation needs a method to far away from local optimum. One of method to far away from local optimum is tabu search.
Beside that, artificial neural network of multilayer perceptron backpropagation is possible to have weights that reduce of generalization capability of neural network. That weights are called noise weights. So, artificial neural network of backpropagation needs a method to eliminate noise weights. One of method to eliminate noise weights is weight elimination.
Artificial neural network of multilayer perceptron backpropagation do training and testing to get well architecture which has minimum error. Then, that architectur is optimized by tabu search. Tabu search creates searching space by generating new architecture which its connection bits are cutting or connecting from connection bits before and its weights are increasing or decreasing from weights before. Each of architecture that is generated, will be trained with backpropagation – weight elimination and tested to get well architecture which has minimum bit connection and maximum accuration.
Result of implementation, architecture that generated by tabu search is simpler than backpropagation but has training error that higher than backpropagation.Keyword: artificial neural network of multilayer perceptron backpropagation,