2.2.4.3 Jaringan Reccurent
Model jaringan recurrent mirip dengan jaringan layer tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input
sering disebut feedback loop. Dengan kata lain, sinyal mengalir dua arah, yaitu maju dan mundur.
2.2.5 Backpropagation
Backpropagation merupakan salah satu dari metode pelatihan pada jaringan syaraf, dimana ciri dari metode ini adalah meminimalkan error pada output yang
dihasilkan oleh jaringan Puspita Eunike, 2007. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan
mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa tapi tidak
sama dengan pola yang dipakai selama pelatihan Siang, 2009: 97. Sebagian besar pelatihan untuk jaringan feedforward umpan maju
menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan
Gambar 2.4 Jaringan Recurrent
A
1
A
i
A
j
A
m
1 1
1 1
−
− −
− −
−
Gambar 2.5 Arsitektur Backpropagation menggunakan suatu teknik yang disebut backpropagation. Pada dasarnya,
algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah
memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi aktivasi menjadi turun dengan cepat.
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi Siang, 2009: 98. Gambar 2.5 adalah arsitektur back-
propagation dengan buah masukan ditambah sebuah bias, sebuah layer
tersembunyi yang terdiri atas unit ditambah sebuah bias, serta
buah keluaran. Arsitektur jaringan ini disebut jaringan layer jamak.
merupakan bobot garis dari unit masukan ke unit layer tersembunyi
merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layer
Z
1
Z
j
Y
k
Y
m
1
Z
p
1
X
1
X
i
X
n
Y
1
V
10
V
j0
V
p0
V
11
V
j1
V
p1
V
1i
V
ji
V
pi
V
1n
V
jn
V
kn
W
10
W
k0
W
m0
W
11
W
k1
W
m1
W
1j
W
mj
W
kj
W
1p
W
kp
W
mp
. . . . . .
. . . . . .
. . . . . .
Gambar 2.6 Fungsi Sigmoid Biner dengan range 0,1 tersembunyi .
merupakan bobot dari layer tersembunyi ke unit keluaran merupakan bobot dari bias di layer tersembunyi ke unit keluaran
.
2.2.6 Fungsi Aktivasi