Universitas Dian Nuswantoro (UDINUS), melalui partisipasi Andono, Pulung Nurtantio; Rohman, Muhammad Syaifur; Megantara, Rama Aria; Pergiwati, Dewi; Wahyudi, Firman; Shidik, Guruh Fajar; dan Pramuendar, Ricardus Anggi, melaksanakan kajian mengenai penyempurnaan nilai parameter pada Convolutional Neural Networks (CNN) untuk klasifikasi kondisi terumbu karang. Kegiatan ini berangkat dari konteks bahwa Indonesia memiliki wilayah laut yang luas dengan banyak terumbu karang yang berada di pusat segitiga terumbu karang dunia dan penting bagi kehidupan akuatik. Sumber menyebutkan bahwa terumbu karang menghadapi ancaman serius akibat perubahan iklim, pencemaran, kenaikan suhu laut, dan aktivitas manusia, serta menyatakan bahwa 85% terumbu karang Indonesia berada dalam risiko.
Kajian ini menggunakan Particle Swarm Optimization (PSO) yang dipengaruhi oleh penurunan bobot untuk meningkatkan kinerja CNN melalui penentuan nilai parameter dalam klasifikasi kondisi terumbu karang. Parameter yang dioptimalkan meliputi Epoch, Dropout, Hidden Size, Learning Rate, Activation Function, dan Optimizer. Nilai terbaik yang dihasilkan metode yang diusulkan adalah Epoch 9, Dropout 0,2, Hidden Size 256, Learning Rate 0,002, ReLU sebagai Activation Function, dan Adam sebagai Optimizer. Hasil eksperimen menunjukkan kinerja yang lebih konsisten dan stabil dibandingkan metode Original PSO dan Original GWO. Metode yang diusulkan mencapai akurasi pelatihan maksimum 82,23% dan akurasi pengujian 79,74%. Sumber menyatakan bahwa metode tersebut dapat dipertimbangkan lebih andal dan efektif untuk optimasi parameter dalam klasifikasi terumbu karang berbasis CNN. Kegiatan ini berkaitan dengan aksi iklim dan penelitian ekosistem laut melalui penerapan metode komputasional untuk pemantauan dan klasifikasi kondisi terumbu karang.