Algoritma backpropagation dimulai dari pembentukan sebuah jaringan dengan unit tersembunyi dan unit output serta menginisialisasi semua bobot
jaringan ke nilai random yang kecil. Untuk setiap contoh percobaan menggunakan suatu jaringan untuk menghitung nilai error dari output
jaringan, menghitung gradient descent dan kemudian mengupdate semua bobot pada jaringan. Proses ini dilakukan sampai menghasilkan klasifikasi
dengan model yang tepat.
3.6. Analisis Multiklasifikasi
Algoritma backpropagation pada jaringan saraf buatan lapisan banyak dengan beberapa unit yang terhubung dapat dikembangkan untuk
permasalahan multiklasifikasi. Untuk lebih jelasnya modifikasi dari algoritma backpropagation ini masalah multiklasifikasi dijelaskan dengan
contoh berikut.
Tabel 3.2. Contoh Data Sederhana Variabel Prediktor
Variabel Target
x
1
x
2
y
1 1
a 1
b 1
c d
Diberikan contoh permasalahan data seperti tabel 3.2. Multiklasifikasi dimulai dengan membuat jaringan feedforward dengan unit input n
in
yaitu x
1
, x
2.
dan terdapat satu lapisan unit tersembunyi n
hiden
yaitu z
1
,
z
2
,
z
3
dan unit output yaitu a, b, c , d.
39
a b
c d
w
40
1
w
50
w
60
w
70
w
22
w
21
z
1
w
23
w
24
w
26
w
25
w
27
z
2
w
28
w
31
w
29
w
32
w
33
z
3
w
10
1
w
20
w
30
w
11
X
1
w
12
w
13
w
14
w
15
x
2
w
16
Gambar 3.3. Struktur jaringan dengan bilangan n-arry
Cara kerja dalam permasalahan multiklasifikasi memiliki kesamaan dengan binary klasifikasi yaitu membuat struktur jaringan kemudian
merandom bobot jaringan dan menghitung unit output. Perbedaannya terletak pada proses perhitungan output dimana untuk kasus multiklasifikasi
hasil output akan bekerja sesuai dengan proses klasifikasi, yaitu perhitungan output pada
kelas A diproses
melalui pembelajaran algoritma
backpropagation dengan bilangan binary, jika hasil output masuk kedalam
klasifikasi kelas A, maka kelas tersebut mengandung nilai 1, Sedangkan selain kelas A mengandung nilai 0. Keadaan ini dikerjakan sesuai dengan
proses pembelajaran multiklasifikasi yang berarti proses binary n kali.
40
Cara kerja algoritma backpropagation pada jaringan saraf buatan lapisan banyak dapat diringkas dalam bentuk flowchart sebagai berikut:
Start
70 Training D ata 30 Test D ata
1. Membuat jaringan
feedforwor
d 2. Randomize bobot
|w
ji
|0,05
Hitung
n
3. onet = w
ji
x
i i
=0
+ θ
j
4.
σ
= 1
1 + e
−o net n
5. o
k =
σ
i =0
w
ji .
x
i
+
θ
j
6.
δ
k
← o
k
1 − o
k
t
k
− o
k
7. δ
h
← o
k
1 − o
k
w
kh
δ
k
8. ∆w
ji
= ηδ
j
x
ji
j= k,h
9. w
ji
← w
ji
+ ∆w
ji
Tidak t
d
=o
d
∀
d
∈
D Ya
Akurasi error generalisasi
End
Gambar 3.4. Flowchart Algoritma Backpropagation
41
BAB IV STUDI NUMERIK DAN ANALISIS
