Ketiga fase
tersebut diulang-ulang
hingga kondisi
penghentian dipenuhi.Umumnya kondisi penghentian yang sering dipakai adalah jumlah interasi atau
kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika error yang terjadi sudah lebih kecil
dari batas toleransi yang ditetapkan.
2.4.4. Prosedur Pelatihan
Menurut Fausset 1994 langkah prosedur pelatihan sebagai berikut :
Langkah 0 :
Inisialisasi bobot keterhubungan antara neuron dengan menggunakan bilangan acak kecil -0.5 sampai +0.5.
Langkah 1 :
Kerjakan langkah 2 sampai langkah 9 selama kondisi berhenti yang ditentukan tidak dipenuhi.
Langkah 2 :
Kerjakan langkah 3 sampai langkah 8 untuk setiappasangan pelatihan.
Propagasi maju Langkah 3
: Setiap unit masukan x
i,
i = 1,…., n menerima sinyal masukan x
i
,dan menyebarkannya ke seluruh unit pada lapisan tersembunyi
Langkah 4 :
Setiap unit tersembunyi xi, I = 1,…….,p jumlahkan bobot sinyal masukannya :
3_
5
= 6
5
+
2
6
5
2.8 v
oj
= bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghilangkan sinyal keluarannya, z
j
= f z_in
j
, dan kirimkan sinyal ini keseluruh unit pada lapisan diatasnya unit keluaran
Langkah 5 :
tiap unit keluaran yk, k = 1,…….m jumlahkanbobot sinyal masukannya :
2.9 w
ok
= bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, y
k
= fy_in
k
`
Propagasi balik
p j
jk j
k k
w z
wo in
y
1
_
Universitas Sumatera Utara
Langkah 6 : Tiap unit keluaran yk, k = 1,…..,m menerima pola target yang saling
berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya,
7
1
=
1
−
1
′
9
2.10 hitung koreksi bobotnya digunakan untuk mempengaruhi
w
jk
nantinya, ∆
51
= ; 7
1
3
5
2.11 hitung koreksi biasnya digunakan untuk mempengaruhi w
ok
nantinya ∆
12
; 7
1
2.12 Dankirimkan
k
ke unit-unit pada lapisan dibawahnya, Langkah 7
: Setiap unit lapisan tersembunyi zj, j = 1,…..p jumlah hasil perubahanmasukannya dari unit-unit lapisan diatasnya,
7_
5
= 7
1 12
51
2.13 kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi
kesalahannya, 7
5
= 7_
5
′ 3_
5
hitung koreksi bobotnya digunakan untuk memperbaharui v
oj
nanti 2.15
hitung koreksi bias 2.16
Langkah 8 : Update bobot dan bias pada hubungan antar lapisan
2.17
2.18 Langkah 9
: Tes kondisi terhenti
Jika stop condition telah terpenuhi, maka pelatihan dapat dihentikan. Ada dua cara yang dapat dilakukan untuk menentukan stopping condition test kondisi
berhenti, yaitu : Cara 1
: membatasi jumlah iterasi yang ingin dilakukan satu iterasi
merupakan perulangan langkah 3 sampai dengan langkah 8 untuk semua training data yang ada
Cara 2 :
membatasi error, metode yang digunakan adalah Mean Square Error, untuk menghitung rata – rata antara output
i j
ij
x v
j j
vo
jk jk
jk
w lama
w baru
w
ij ij
ij
v lama
v baru
v
Universitas Sumatera Utara
yang dikendaki pada training data dengan output yang dihasilkan oleh jaringan.
2.4.5. Prosedur Pengujian
Setelah pelatihan, jaringan syaraf backpropagation diaplikasikan dengan hanya menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur aplikasinya
adalah sebagai berikut : Langkah 0
: Inisialisasi bobot dari algoritma pelatihan Langkah 1
: Untuk tiap vektor masukan, lakukan langkah 2-4 Langkah 2
:
= = 1, … … .
: atur aktivasi unit masukan xi Langkah 3
:
= = 1, … . . , : 3
05
= 6
B5 C
DEDF G
DHI
2.18
3
52J K_0
F
2.19
Langkah 4 :
_
DG9
=
L1
+ 3
5 M
F9
52
2.20
12J N
_DG9
2.21 Langkah 5
: Jika
1
≥ 0,5 OP
1
= 1, QR
1
= 0
Adapun notasi – notasi yang digunakan pada algoritma backpropagation adalah ; X
Data training untuk input x = x
1
,…,x
i
,…,x
n
t Data training untuk output targetdesired output
t = t
1
,…,t
k
,…,t
m
Learning rate, yaitu parameter yang mengontrol perubahan bobot selama pelatihan. Jika learning rate besar, jaringan semakin cepat belajar, tetapi
hasilnya kurang akurat. Learning rate biasanya dipilih antara 0 dan 1 X
i
Unit input ke-i. untuk unit input, sinyal yang masuk dan keluar pada suatu unit dilambangkan dengan variabel yang sama, yaitu x
i
Z
j
Hidden unit ke-j. sinyalinput pada Z
j
dilambangkan dengan
3
F
.
Sinyal
Universitas Sumatera Utara
output aktivasi untuk Z
j
dilambangkan dengan z
j
V
oj
Bias untuk hidden unit ke-j V
ij
Bobot antara unit input ke-i dan hidden unit ke-j Y
k
Unit output ke-k. sinyalinput ke Y
k
dilambangkan
9
.
Sinyal output aktivasi untuk Y
k
dilambangkan dengan y
k
W
ok
Bias untuk unit output ke-k W
jk
Bobot antara hidden unit ke-j dan unit output ke-k
k
Faktor koreksi error untuk bobot W
jk j
Faktor koreksi error untuk bobot V
ij
2.5. Syarat Parameter