Tabel 5 Definisi target untuk fungsi sigmoid biner pada 5 genus karang
No. Target Representasi
Genus Karang
1 1 0 0 0 0 Madracis
2 0 1 0 0 0 Palauastrea
3 0 0 1 0 0 Pocillopora
4 0 0 0 1 0 Seriatophora
5 0 0 0 0 1 Stylophora
4.3 Algoritma Pelatihan
Algoritma backpropagation menggunakan error output untuk mengubah nilai bobotnya dalam arah mundur backward. Untuk mendapatkan error ini,
tahap perambatan maju forward propagation harus dikerjakan terlebih dulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan fungsi aktivasi
sigmoid biner Kusumadewi Hartati 2006. Gambar 23 memperlihatkan arsitektur jaringan backpropagation, jaringan
terdiri dari atas 19 neuron pada lapisan input, dengan input masukan bagi JST adalah warna RGB-HSV, tekstur statistical moment dan bentuk momen
invarian; satu hidden layer dengan neuron h
1
... h
n
; serta lima neuron pada lapisan output. Setiap neuron input memiliki bobot yang menghubungkan ke
neuron pada lapisan tersembunyi, b
1
adalah bobot bias yang menuju ke neuron- neuron pada hidden layer, b
2
menghubungkan hidden layer dengan lapisan output.
x
1
x
2
x
3
. .
. .
. .
z
2
z
j
G
Smoot hness Third Moment
Unif ormit y Ent ropy
Mean h1
h2
hn
b1 b2
y
1
y
2
. .
y
k
Karang 1 R
St d Deviasi B
S H
V
. .
. .
. .
. .
.
x
i
Karang 2 Karang 3
Karang 4 Karang 5
1
ϕ
2
ϕ
3
ϕ
4
ϕ
5
ϕ
6
ϕ
7
ϕ
v
ij
w
jk
z
1
Gambar 23 Model JST backpropagation dengan arsitektur multilayer perceptron. Dalam Kusumadewi dan Hartati 2006 algoritma backpropagation adalah
sebagai berikut : • Inisiasi bobot ambil bobot awal dengan nilai random yang cukup kecil.
• Tetapkan: Maksimum Epoch, Target Error, dan Learning Rate • Inisialisasi : Epoch = 0.
• Kerjakan langkah-langkah berikut selama Epoch Maksimum Epoch dan
MSE Target Error: 1. Epoch = Epoch + 1
2. Untuk tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan:
Feedforward
a. Tiap-tiap unit input X
i
, i=1,2,3,...,n menerima sinyal x
i
dan meneruskan sinyal tersebut ke semua unit pada lapisan di atasnya lapisan
tersembunyi. b. Tiap-tiap unit lapisan tersembunyi Z
j
, j=1,2,3,...,p menjumlahkan sinyal-sinyal input terbobot:
1
_ 1
n j
j i ij
i
z in b
x v
=
= +
∑
gunakan fungsi aktivasi untuk menghitung sinyal outputnya: _
j j
z f z in
= dan kirimkan sinyal tersebut pada kesemua unit pada lapisan atasnya
lapisan output. c. Tiap-tiap unit output Y
k
, k=1,2,3,...,m menjumlahkan sinyal-sinyal input terbobot.
1
_ 2
p k
k i
jk i
y in b
z w
=
= +
∑
gunakan fungsi aktivasi untuk menghitung sinyal outputnya: _
k k
y f y in
= dan kirimkan sinyal tersebut pada ke semua unit di lapisan atasnya
lapisan output. Langkah b dilakukan sebanyak jumlah lapisan tersembunyi.
Backpropagation
d. Tiap-tiap unit output Y
k
, k=1,2,3,...,m menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasinya error:
2 _
2 2
k k
k k
jk k
j k
k
t y
f y in
d z d
δ ϕ
β =
− =
= kemudian hitung koreksi bobot yang nantinya akan digunakan untuk
memperbaiki nilai w
jk
:
jk jk
w αϕ
Δ =
hitung juga koreksi bias yang nantinya akan digunakn untuk memperbaiki nilai b
2k
: 2
k k
b αβ
Δ =
Langkah d ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke
lapisan tersembunyi sebelumnya. e. Tiap-tiap unit tersembunyi Z
j
, j=1,2,3,...,p menjumlahkan delta inputnya dari unit-unit yang berada pada lapisan di atasnya:
1
_
m j
k jk
k
in w
δ δ
=
=
∑
kalikan nilai ini dengan turunan fungsi aktivasinya untuk menghitung informasi error:
1 _
_ 1
1 1
j j
j ij
j j
j j
in f z in
x δ
δ ϕ
δ β
δ =
= =
kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai v
ij
: 1
ij ij
v αϕ
Δ = hitung juga koreksi bias yang nantinya akan digunakan untuk
memperbaiki nilai b1
j
: 1
1
j j
b αϕ
Δ =
f. Tiap-tiap unit output Y
k
, k=1,2,3,...,m memperbaiki bias dan bobotnya j=0,1,2,...,p:
2 2
2
jk jk
jk k
k k
w baru
w lama
w b
baru b
lama b
= + Δ
= + Δ
Tiap-tiap unit tersembunyi Z
j
, j=1,2,3,...,p memperbaiki bias dan bobotnya i=0,1,2,...,n:
1 1
1
ij ij
ij j
j j
v baru v lama
v b
baru b
lama b
= + Δ
= + Δ
3. Hitung MSE
4.4 Pengukuran Kinerja Sistem
