ResNet adalah arsitektur CNN populer dalam computer vision, namun ukuran model yang besar menjadi kendala pada perangkat terbatas. Pruning, teknik menghapus komponen jaringan saraf, dapat dioptimasi sehingga mampu meringankan model dengan sedikit penurunan akurasi. Pendekatan optimasi pruning saat ini bisa berbasis skor, berbasis kecerdasan buatan atau berbasis metaheuristik. Pendekatan metaheuristik dianggap lebih ideal karena pendekatan skor bergantung pada intuisi peneliti sedangkan pendekatan kecerdasan buatan memiliki banyak hyperparameter. Namun, pendekatan metaheuristik masih memiliki celah: belum mencoba varian algoritma terbaru, belum menguji waktu optimasi, dan belum mencapai hasil memuaskan pada dataset CIFAR-100. Penelitian ini mengeksplorasi algoritma metaheuristik modern untuk optimasi structured pruning pada ResNet-56 dengan dataset CIFAR-100, serta menganalisis efek penambahan Meta-pruning (Theus et al., 2024). Hasil pengujian menunjukkan algoritma metaheuristik BPSO-MRFL mencapai akurasi terbaik 0.7190 dengan pengurangan FLOPs 45.75% dan rasio kehilangan akurasi terhadap pengurangan FLOPs 0.0160. Penerapan Meta-pruning pada BPSO-MRFL mencapai akurasi 0.7182 dengan pengurangan FLOPs lebih besar, 50.85% dan rasio yang sedikit lebih baik, 0.0159. Temuan ini menunjukkan bahwa meskipun menambah kompleksitas, Meta-pruning, bersama BPSO-MRFL, masih memiliki hasil lebih baik. Hasil skripsi ini menegaskan potensi algoritma BPSO-MRFL sebagai metode optimasi pruning yang efektif dibandingkan penelitian sebelumnya.