Algoritma Perambatan Balik Jaringan Perambatan Balik
18
Setelah semua faktor
δ
ditentukan, bobot untuk semua lapisan dapat disesuaikan secara bersamaan. Penyesuaian bobot w
jk
dari unit tersembunyi Z
j
ke unit keluaran Y
k
dilakukan berdasarkan faktor
δ
j
dan aktivasi x
i
dari unit masukan. Lambang-lambang yang digunakan dalam algoritma pelatihan pada jaringan
perambatan balik adalah sebagai berikut :
x
Vektor masukan pelatihan :
x
= x
1
, … , x
i
,… ,x
n
t
vektor keluaran target
t
= t
1
,… ,t
k
,… ,t
m
δ
k
Bagian dari koreksi galat dari penyesuaian bobot w
jk
yang berhubungan dengan galat pada unit keluaran Y
k
, juga merupakan informasi tentang galat pada unit Y
k
yang dirambatkan balik ke unit tersembunyi yang berhubungan dengan unit Y
k
.
δ
j
Bagian dari koreksi galat dari penyesuaian bobot v
ij
yang berhubungan dengan perambatan balik informasi galat dari lapisan keluaran ke unit
tersembunyi Z
j
α
Pesat belajar X
i
Unit masukan ke-i : Untuk sebuah unit masukan, sinyal masukan dan sinyal keluarannya sama,
yaitu x
i
. v
0j
Bias prasikap pada unit tersembunyi j.
Z
j
Unit tersembunyi j :
19
Net input pada Z
j
dilambangkan dengan Z_in
j
:
∑
+ =
i ij
i j
j
v x
v in
z _
Sinyal keluaran aktivasi dari Z
j
dilambangkan dengan z
j
: z
j
= fz_in
j
. w
0k
Prasikap pada unit keluaran k Y
k
Unit keluaran k : Net input
pada Y
k
dilambangkan dengan y_in
k
:
∑
+ =
j jk
j k
k
w z
w in
y _
Sinyal keluaran aktivasi dari Y
k
dilambangkan dengan y
k
: y
k
= fy_in
k
Sedangkan algoritma pelatihannya adalah sebagai berikut :
Langkah 0 Berikan bobot awal dengan nilai acak yang kecil
Langkah 1 Selama kondisi berhenti belum memenuhi, kerjakan langkah
2-9. Langkah 2
Untuk tiap pasangan pola pelatihan, lakukan langkah 3-8 Tahap Maju
Langkah 3 Tiap unit masukan Xi, i=1,….,n menerima sinyal input xi
dan mengirimkan sinyal tersebut ke semua unit pada lapisan berikutnya unit tersembunyi.
Langkah 4 Tiap unit tersembunyi Zj, j=1,..,p menjumlah sinyal
input terbobot :
∑
=
+ =
n i
ij i
j j
v x
v in
z
1
_ PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Kemudian aplikasikan fungsi aktivasinya untuk menghitung sinyal keluaran :
j j
in z
f z
_ =
Dan mengirimkan sinyal ini ke semua unit pada lapisan di atasnya unit keluaran.
Langkah 5 Tiap unit keluaran Yk, k=1,…,m menjumlahkan sinyal
masukan terbobot :
∑
=
+ =
p j
jk j
k k
w z
w in
y
1
_
Dan aplikasikan fungsi aktivasinya untuk menghitung sinyal output
k k
in y
f y
_ =
Tahap Perambatan balik dari galat Langkah 6
Tiap unit keluaran Yk, k=1,…,m menerima pola target yang sesuai dengan pola masukan pelatihan, hitung
informasi galat :
k k
k k
in y
f y
t _
− =
δ
Hitung koreksi bobot yang akan digunakan untuk penyesuaian bobot :
j k
jk
z w
αδ =
∆
Hitung koreksi prasikap yang akan digunakan untuk penyesuaian prasikap :
k k
w αδ
= ∆
Kirimkan δ
k ke unit pada lapisan sebelumnya. Langkah 7
Tiap unit tersembunyi Zj, j=1,….,p menjumlahkan delta masukannya dari unit pada lapisan berikutnya,
21
∑
=
=
m k
jk k
j
w in
1
_ δ
δ
Kalikan dengan turunan dari fungsi aktivasinya untuk menghitung informasi galat :
_ _
j j
j
in z
f in
δ δ =
Hitung koreksi bobot yang akan digunakan untuk penyesuaian vij :
i j
ij
x v
αδ =
∆
Hitung koreksi prasikap untuk penyesuaian v0j :
j j
v αδ
= ∆
Penyesuaian Bobot dan Prasikap Langkah 8
Tiap unit keluaran Yk, k=1,…,m menyesuaikan prasikap dan bobotnya j=0,…,p :
jk jk
jk
w lama
w baru
w ∆
+ =
Tiap unit tersembunyi Zj, j=1,…,p menyesuaikan prasikap dan bobotnya I=0,…,n :
ij ij
ij
v lama
v baru
v ∆
+ =
Langkah 9 Pengetesan kondisi berhenti.