Mutu Jagung Pipilan Tepung Jagung

sebanyak m unit neuron output Y 1 , Y 2 , ..., Y m . Bentuk arsitektur jaringan layar jamak ditunjukkan pada Gambar 7. Keterbatasan jaringan syaraf tiruan layar tunggal diatasi dengan menambah satu atau beberapa layar tersembunyi di antara layar input dan layar output. Penambahan beberapa layar tersembunyi dapat memberikan manfaat dalam penyelesaian beberapa persoalan, namun memerlukan waktu yang lama untuk proses pelatihan. Pada umumnya dilakukan dengan satu layar tersembunyi. Gambar 8 menunjukkan arsitektur backpropagation. V ji merupakan bobot hubungan unit neuron input X i ke unit layar tersembunyi Z j . W kj merupakan obot dari unit layar tersembunyi Z j ke unit output Y k . W k0 merupakan bobot dari neuron bias di layar tersembunyi ke unit neuron output Z k . X 1 Ym Yk Y 1 Xn Xi Z j Z 1 v 11 v p1 v 1i v pi v 1n v pn w 11 w k1 w m1 w 1j w kj w mj 1 1 Z p v jn v ji v j1 v 10 v p0 v j0 w mp w kp w 1p w k0 w m0 w 10 Gambar 8 Arsitektur jaringan pada backpropagation. 2.5.2 Algoritma Backpropagasi Umpan Balik Pelatihan propagasi umpan balik Feed Forward Back Propagation berbasis jaringan syaraf tiruan meliputi 3 fase Siang 2009. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Selama propagasi maju, sinyal masukan = x i dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi = z j tersebut selanjutnya dipropagasikan maju lagi ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan = y k . Berikutnya, keluaran jaringan = y k dibandingkan dengan target yang harus dicapai = t k .Selisih dari t k terhadap y k yaitu t k − y k adalah kesalahan yang t terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Namun bila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Berdasarkan kesalahan t k − y k , dihitung faktor δ k k = 1,2,..., m yang dipakai untuk mendistribusikan kesalahan di unit k y ke semua unit tersembunyi yang terhubung langsung dengan y k . δ k juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δ j j = 1,2,…, p di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δ k yang ada di unit keluaran. Ketiga fase terebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Bidang peramalan forecasting merupakan salah satu bidang dimana jaringan syaraf tiruan dapat diaplikasikan. Backpropagation dapat digunakan dalam melakukan peramalan seperti prediksi permintaan suatu produk di masa