endfor endfor
for j ← 0 to 4 do
DK_net[j] ← 0
for k ← 0 to maxK do
DK_net[j] ← DK_net[j] +DK[k]W[k][j]
Endfor endfor
for j ← 0 to 4 do
DS[j] ← DK_net[j] Z[j] 1 - Z[j]
endfor for j
← 0 to 4 do for i
← 0 to maxI do dV[i,j]
← rate DS[j] P[i, Data] endfor
endfor for j
← 0 to 4 do for k
← 0 to maxK do W[k,j]
← W[k,j] +dW[k,j] endfor
endfor for j
← 0 to 4 do for i
← 0 tomaxI do V[i,j]
← V[i,j] +dV[i,j] endfor
endfor MSE
← MSE jml Data Endwhile
3.4 Pseudocode Algoritma Linear Vector Quantization LVQ
Adapun pseudocode algoritma LVQ dalam melakukan training adalah sebagai berikut:
while Err MaxErr or rate eps do Err
←Err+1 for i
← 0 to jmlData do for k
← 0 to jmlKls do hasil
← 0 for j
← 0 to jmlData do hasil
← hasil + PowP[j][i] - W[j][k], 2 endfor
H[k] ← Sqrthasil
endfor C
← 0 for k
← 1 to jmlKls do
Universitas Sumatera Utara
if H[k] H[C] then C
← k endif
endfor if TK[C] == TP[i] then
for j ← 0 to jmlData do
W[j][C] ← W[j][C] + rate P[j][C] - W[j][C]
endfor else
for j ← 0 to jmlData do
W[j][C] ← W[j][C] - rate P[j][C] - W[j][C]
endfor endif
endfor rate
← rate - 0.1 rate endWhile
3.5 Flow Chart Training Backpropagation
Adapun Flowchart dari algoritma TrainingBackpropagation dapat dilihat seperti pada Gambar 3.2.
S
Parameter Jaringan,Vektor Input
Setiap input meneruskan ke hidden layer
Jalankan fungsi aktifasi untuk menghitung
�
����
= �
�0
+ � �
�
�
�� �
Hitung input bobotnya
Propag Inisialisasi
Bobot Secara Acak
Universitas Sumatera Utara
Hitung komponen perubahan
Hitung komponen Bias
w δ
α =
∆
Setiap neuron hidden menjumlahkan input dari neuron diatasnya
∑
=
=
m k
jk k
j
w in
1
_ δ
δ
Hitung komponen error
Propag asi Mundur
Hitung komponen error
Hitung komponen koreksi errornya untuk mengubah v
ij
∑
+ =
j jk
j ok
k
w z
w in
y _
Hitung komponen koreksi errornya untuk mengubah v
0j
j j
v δ
α =
∆
Hitung semua perubahan bobot menuju ke unit keluaran
w
jk
baru = w
jk
lama + Δw
P erubahan
Universitas Sumatera Utara
Gambar 3.2 Flowchart Training Algoritma Backpropagation
Keterangan Flowchart : 1.
Mulai 2.
Masukkan bobot awal 3.
Setiap masukan meneruskan ke hidden layer 4.
Kerjakan fungsi aktifasi untuk menghitung output 5.
Kerjakan untuk menghitung komponen error 6.
Kerjakan untuk menghitung komponen perubahan bobot 7.
Kerjakan untuk menghitung komponen bias 8.
Kerjakan untuk setiap neuron hidden menjumlahkan input dari neuron diatasnya 9.
Kerjakan untuk menghitung komponen errornya 10.
Kerjakan untuk menghitung koreksi error untuk mengubah V
ij
11. Kerjakan untuk menghitung koreksi error untuk mengubah V
oj
12. Kerjakan untuk menghitung semua perubahan bobot menuju ke unit keluaran
13. Kerjakan untuk menghitung semua perubahan bobot menuju ke unit keluaran
14. Selesai
3.6 Flow Chart Training dengan Linier Vector Quantization LVQ