169
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
Data set gelas adalah data diperkenalkan oleh [8]. Data set terdiri dari 214 sampel yang terbagi menjadi enam kelas, yaitu building windows float processed, building windows non float
processed, vehicle windows float processed, containers, tableware, dan headlamps.Sembilan fitur diukur dari masing-masing sampel : RI: refractive index,Na: Sodium, Mg: Magnesium,Al:
Aluminum,Si: Silicon,K: Potassium,Ca: Calcium,Ba: Barium, dan Fe: Iron.[8].
2.2 Algoritma Backpropagation
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma Backpropagation menggunakan error output untuk mrngubah nilai bobot-bobotnya dalam arah
mundur backward. Untuk mendapatkan error ini, tahap perambatan maju forward propagation harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron
diaktifkan dengan menggunakan fungsi aktivasi sigmoid [1].
f x 1
Arsitektur jaringan backpropagation seperti dilihat pada gambar 1.
Gambar 1. Arsitektur jaringan Backpropagation
Algoritma Backpropagation [1]. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, maka dilakukan langkah-langkah berikut:
Feed forward: a.
Tiap-tiap unit input X
i
, i=1,2,3,….,n menerima sinyal X
i
dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya lapisan tersembunyi.
b. Tiap-tiap unit tersembunyi Zj, j=1,2,3,….p menjumlahkan sinyal-sinyal input terbobot: z_in
j
= v
0j
+ x
i
v
ij
2 Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
Z
j
= fz_in
j
3 Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya unit-unit output.
c. Tiap-tiap unit output Y
k
, k=1,2,3,….,m menjumlahkan sinyal-sinyal input terbobot. y_in
k
= w
0k
+ z
i
w
jk
4 Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
y
k
= fy_in
k
5 Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya unit-unit output.
Back forward: d. Tiap-tiap unit output Yk, k=1,2,3,….,m menerima target pola yang berhubungan dengan
pola input pembelajaran, hitung informasi erornya: į
k
= t
k
-y
k
f’y_in
k
6
170
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
Kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai w
jk
. ¨w
jk
= Įį
k
z
j
7 Hitung juga koreksi bias yang nantinya akan digunakan untuk memperbaiki nilai W
0k
¨W
0k
=Įį
k
8 Kirimkan į
k
ini ke unit yang ada dilapisan bawahnya. e.
Tiap-tiap unit tersembunyi Zj, j=1,2,3,…..p menjumlahkan delta inputnya dari unit-unit yang berada pada lapisan di atasnya.
Kalikan nilai ini dengan turunan dari funssi aktivasinya untuk menghitung informasi error į
j
= į_ in
j
fz_in
j
9 Kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai
v.... ¨v
jk
=Įį
j
x
i
10 Hitung juga koreksi bias yang nantinya akan digunakan untuk memperbaiki nilai v….
¨v
0j
=Įį
j
11 f.
Tiap-tiap unit output Yk, k=1,2,3,….,m memperbaiki bias dan bobotnya j=0,1,2,…p w
jk
baru= w
jk
lama + ¨v
jk
12 Tiap-tiap unit tersembunyi Zj, j=1,2,3,…..p memperbaiki bias dan bobotnya i=0,1,2,…,n
v
ij
baru= v
ij
lama + ¨v
ij
13
2.3 Algoritma Nguyen Widrow
