32
4. Ulangi iterasi hingga mencapai konvergensi atau tidak ada bobot yang berubah pada langkah 3. Desiani, 2006, 178-179
Arsitektur jaringan Perceptron dapat dilihat pada gambar 2.9 berikut.
Gambar 2.9 Arsitektur Jaringan Perceptron
Sumber : Puspitaningrum, 2006, 30
Algoritma Perceptron ini bisa digunakan baik untuk input biner 0 1 maupun bipolar -1 1, dengan
Ө tertentu. Pada algoritma tersebut, bobot-bobot yang diperbaiki hanyalah bobot-bobot yang berhubungan dengan input yang aktif
X
i
≠ 0 dan bobot-bobot yang tidak menghasilkan nilai Y yang benar. Kusumadewi, 2003, 225
2.5 Metode Backpropagation
Backpropagation merupakan metode pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah
33
bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Metode backpropagation menggunakan error output untuk
mengubah 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, yaitu:
fx = 1
1 + e
-x
Arsitektur jaringan backpropagation dapat dilihat pada gambar 2.10 berikut.
Gambar 2.10 Arsitektur Jaringan Backpropagation
Sumber : Kusumadewi, 2003, 236 Algoritma backpropgation dapat dibagi ke dalam 2 bagian, yaitu:
34
1. Algoritma Pelatihan Pembelajaran Training, terdiri atas 3 tahap yaitu: perambatan maju forward propagation, perambatan mundur untuk
mengubah nilai bobot backpropagation dan tahap pengaturan bobot. 2. Algoritma Pengenalan Recognition, menggunakan perambatan maju.
Puspitaningrum, 2006, 128 Algoritma pelatihan backpropagation adalah sebagai berikut:
0. Inisialisasi bobot ambil bobot awal dengan nilai random yang kecil.
Tentukan pula nilai angka pembelajaran α, nilai toleransi error bila menggunakan nilai ambang sebagai kondisi berhenti dan set maksimum
epoch bila menggunakan banyaknya epoch sebagai kondisi berhenti. 1.
While kondisi berhenti tidak terpenuhi, maka untuk setiap pasangan elemen yang akan dilatih, lakukan langkah ke-2 sampai ke-8.
Tahap Feedforward
2. Setiap input x
i
dari unit ke-1 sampai unit ke-n pada lapisan input mengirimkan sinyal input ke semua unit yang ada di lapisan atasnya ke
lapisan tersembunyi: x
i
. 3.
Pada setiap unit di lapisan tersembunyi z
j
; i = 1,2,...p menjumlahkan sinyal-sinyal input terbobot:
z_in
j
= v
0j
+
n
i ij
i
v x
1
gunakan fungsi aktivasi untuk menghitung sinyal outputnya: z
j
= fz_in
j
dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya unit-unit output.
35
4. Tiap–tiap unit output Y
k
, k=1,2,3,...m menjumlahkan sinyal-sinyal input terbobot.
y_in
k
= w
0k
+
p
j jk
j
w z
1
gunakan fungsi aktivasi untuk menghitung sinyal outputnya: y
k
= fy_in
k
dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya unit-unit output.
Tahap Backpropagation
5. Tiap–tiap unit output Y
k
, k=1,2,3,...m menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya:
δ
k
= t
k
– y
k
f’y_in
k
kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai w
jk
: Δw
jk
= α δ
k
z
j
hitung juga koreksi bias yang nantinya akan digunakan untuk memperbaiki nilai w
0k
: Δw
0k
= α δ
k
kirimkan δ
k
ini ke unit-unit yang ada di lapisan bawahnya. 6.
Tiap-tiap unit tersembunyi z
j
; j = 1,2,...p menjumlahkan delta inputnya dari unit-unit yang berada di lapisan atasnya:
δ_in
j
=
m
k jk
k
w
1
36
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:
δ
j
= δ_in
j
f’z_in
j
kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai v
ij
: Δv
ij
= α δ
j
x
i
hitung juga koreksi bias yang nantinya akan digunakan untuk memperbaiki nilai v
0j
: Δv
0j
= α δ
j
Tahap Update Bobot dan Bias
7. Tiap–tiap unit output Y
k
, k=1,2,3,...m memperbaiki bias dan bobotnya j=0,1,2,...,p:
w
jk
baru = w
jk
lama + Δw
jk
Tiap-tiap unit tersembunyi z
j
; j = 1,2,...p memperbaiki bias dan bobotnya i=0,1,2,...,n:
v
ij
baru = v
ij
lama + Δv
ij
8. Tes kondisi berhenti, bila mencapai maksimum epoch atau kuadrat error
target error. Puspitaningrum, 2006, 129-130 Algoritma
pengenalan recognition
dengan menggunakan
backpropagation hanya perlu menjalankan
tahap feedforward
hingga mendapatkan nilai y
k
. Pasangan y
k
adalah output dari metode backpropagation.
37
2.6 Pre-Processing
