OPTIMASI ARSITEKTUR MULTILAYER PERCEPTRON UNTUK AKURASI KLASIFIKASI OBJEK BAWAH LAUT

Abstract

Identifikasi objek bawah laut, khususnya untuk membedakan antara batuan alami dan ranjau laut, merupakan tantangan teknis yang krusial dalam navigasi maritim dan pertahanan. Penelitian ini bertujuan untuk mengoptimalkan arsitektur jaringan saraf Multilayer Perceptron (MLP) guna meningkatkan akurasi klasifikasi pada dataset sonar yang memiliki karakteristik non-linear dan dimensi tinggi. Metodologi penelitian melibatkan pengujian lima skenario konfigurasi arsitektur dengan variasi jumlah hidden layer, jumlah neuron, dan fungsi aktivasi. Hasil eksperimen menunjukkan bahwa Skenario III, yang menggunakan dua hidden layer (64 dan 32 neuron) dengan fungsi aktivasi ReLU dan optimizer Adam, memberikan performa terbaik. Arsitektur ini berhasil mencapai akurasi pengujian sebesar 90,48%, nilai loss sebesar 0,21, serta skor F1 sebesar 0,90. Temuan ini mengindikasikan bahwa pemilihan struktur jaringan yang seimbang sangat penting untuk mencegah overfitting serta memastikan kemampuan generalisasi model dalam mengenali ciri ciri berdasarkan akustik objek bawah laut.