Fase II : Propagasi mundur Fase III : Perubahan bobot

Fase I : Propagasi maju Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya Langkah 4 : Hitung semua keluaran di unit tersembunyi z j j = 1,2,…,p j = v jo + ∑ i v ji ………………….2.11 z j = fz_net j = …………………2.12 Langkah 5 : Hitung semua keluaran jaringan di unit y k k = 1,2,…,,m k = w ko + ∑ j w kj ………………. 2.13 y k = fy_net k = ………….…… 2.14 Fase II : Propagasi mundur Langkah 6 : Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran y k k = 1,2,…,m k = t k – y k k = t k – y k y k 1 – y k … 2.15 merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar di bawahnya langkah 7 Hitung suku perubahan bobot w kj yang akan dipakai nanti untuk merubah bobot w kj dengan laju percepatan α kj =α k z j ; k = 1,2,...,m ; j = 0,1,…,p …………… 2.16 Langkah 7 : Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi z j j = 1,2,…,p _net j = ∑ k w kj ……………………. 2.17 Faktor unit tersembunyi : j = _net j j = _net j z j 1-z j ……….. 2.18 Hitung suku perubahan bobot v ji yang akan dipakai nanti untuk merubah bobot v ji Fase III : Perubahan Bobot Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis menuju ke unit keluaran : PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI W kj baru = w kj lama + kj k = 1,2,…,m ; j = 0,1,…,p …2.19 Perubahan bobot garis yang menuju ke unit tersembunyi : V ji baru = v ji lama + ji j = 1,2,…,p ; i = 0,1,…,n .... 2.20 Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju langkah 4 dan 5 saja yang dipakai untuk menentukan keluaran jaringan. Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4 dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7.

2.6. K-Fold Cross Validation

K-Fold Cross Validation merupakan teknik umum untuk menguji kinerja dari klasifikasi. Data dibagi menjadi k bagian fold , kemudian selama i = 1,…,k dilakukan pelatihan terhadap data selain fold ke-i dan dilakukan pengujian terhadap data fold ke-i tersebut, lalu menghitung jumlah pengujian yang mengalami kesalahan klasifikasi.

2.7. Confusion Matrix

Confussion Matrix menunjukan jumlah prediksi yang benar dan salah yang dibuat oleh model klasifikasi dibandingkan dengan hasil yang sebenarnya nilai target dalam data. Matrix adalah n x n, dimana n adalah jumlah nilai target kelas. Kinerja model seperti ini biasanya dievaluasi dengan menggunakan data dalam matrix. Tabel berikut menampilkan confusion matrix 2 x 2 untuk dua kelas positif dan negative Diana dan Shidik, 2014. Tabel 2.1 Confusion Matrix Diana dan Shidik, 2014 Confusion Matrix Target Positif Negatif Model Positif a b Positive predictive value aa+b Negatif c d Negative predictive value dc+d sensitivity specitivity Accuracy = a+da+b+c+d aa+c db+d