ABSTRAK Nama : Laode Mohammad Rasdi Rere Program : Doktor Ilmu Komputer Judul : Strategi Metaheuristik Single-Solution untuk Optimasi Deep Learning Dalam beberapa tahun terakhir, deep learning (DL) telah menarik banyak perhatian dalam penelitian pemelajaran mesin. Metode ini telah berhasil dipakai untuk berbagai aplikasi pada pemrosesan suara, robotika, pengenalan fonetik, pencarian informasi dan bahkan analisa molekul. Meskipun DL telah terbukti sukses untuk diterapkan dalam berbagai bidang aplikasi, training yang diperlukan pada metode ini tidaklah mudah. Sejumlah cara dan metode telah diusulkan untuk membuat proses training DL menjadi lebih optimal, beberapa diantaranya dengan menambahkan proses pre-training, memutuskan beberapa jaringan dalam lapisan, ataupun mengganti fungsi aktivasi dan metode gradien standar yang dipergunakan. Fakta yang ada saat ini, teknik optimasi modern umumnya menggunakan algoritme heuristik atau metaheuristik. Algoritme ini banyak diterapkan untuk menyelesaikan beragam masalah optimasi dalam ilmu pengetahuan, rekayasa dan dunia industri. Akan tetapi aplikasi dari algoritme heuristik atau metaheuristik dalam training DL masih sangat jarang dilakukan. Dalam beberapa tahun terakhir, sejumlah algoritme metaheuristik mulai diterapkan pada salah satu metode yang popular dalam DL, yaitu convolutional neural network (CNN). Di dalam disertasi ini juga diusulkan beberapa algoritme metaheuristik untuk DL, akan tetapi dengan tipe dan teknik yang berbeda dari penelitian sebelumnya. Selain itu metode DL yang dioptimasi tidak hanya CNN, tapi juga deep belief network (DBN), dan stacked autoencoder (SAE). Secara umum, disertasi ini akan dibagi dalam dua bagian besar. Bagian pertama adalah studi awal penelitian, yang difokuskan pada beberapa eksperimen yang berkaitan dengan algoritme metaheuristik dan aplikasi DL. Penelitian pertama pada bagian ini adalah metaheuristik dalam desain coating optik. Penelitian kedua tentang metaheurisik yang dipergunakan untuk perbaikan kontras pada citra, penelitian ketiga mengenai usulan metaheuristik adaptif menggunakan kombinasi chaos dan teknik random adjustment, sedangkan penelitian keempat adalah aplikasi CNN, DBN, dan SAE menggunakan dataset MNIST dan CIFAR10. Hasil pada bagian ini, misalnya dalam kasus peningkatan kontras pada citra Lena menggunakan particle swarm optimization, metode yang diusulkan lebih baik dari algoritme metaheuristik asli, algoritme metaheuristik dengan chaos, maupun algoritme metaheuristik menggunakan teknik random adjustment. Masing-masing nilai rata-rata fungsi objektifnya adalah 0,1557, 0,1525, 0,1549 dan 0,1550. Bagian kedua dari disertasi, berkaitan dengan penerapan algoritme metaheuristik dalam DL. Dalam hal ini optimasi CNN, DBN dan SAE, dengan menggunakan algoritme simulated annealing (SA), macrocanonical annealing (MA), dan threshold accepting method (TA). Hasil pada bagian ini misalnya untuk optimasi metode CNN menggunakan dataset MNIST, diperoleh tingkat akurasi untuk 100 epoch, menggunakan optimasi SA, MA, dan TA, masing-masing adalah 98,92%, 99,00%, dan 98,93%. Hasil ini lebih baik dari nilai akurasi CNN asli sebesar 98,78%. Untuk dataset CIFAR10, optimasi DL hanya untuk metode CNN dengan menggunakan SA. Hasil yang diperoleh untuk Top-1 error pada validasi adalah 99,05%. Hasil ini lebih baik dari nilai akurasi CNN asli sebesar 88,21%, dan fine-tuning CNN menggunakan harmony search yang diusulkan G. Rosa dkk sebesar 78,28%. Kata Kunci: metaheuristik, deep learning, desain coating optik, perbaikan kontras pada citra, chaos, random adjustment Universitas