2. Fase 2, yaitu propagasi mundur. Kesalahan selisih antara keluaran jaringan dengan target yang diinginkan
yang terjadi dipropagasi mundur mulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran.
3. Fase 3, yaitu perubahan bobot. Pada fase ini dilakukan modifikasi bobot untuk menurunkan kesalahan yang
terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.
2.9.1. Algoritma backpropagation:
o Inisialisasi bobot ambil bobot awal dengan nilai random yang cukup kecil.
o Kerjakan langkah-langkah berikut selama kondisi bernilai FALSE :
1. Untuk tiap-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
b. Tiap-tiap unit tersembunyi Z dan
meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya lapisan tersembunyi.
i
z_in , j=1,2,3,...,p menjumlahkan sinyal-
sinyal input terbobot :
j
= v
0 j
∑
= n
i ij
i
v x
1
+ gunakan fungsi aktivasi untuk menghitung sinyal output-nya :
z
j
= fz_in
j
dan kirimkan sinyal tersebut ke semua unit di layer atasnya unit-unit output
c. Tiap-tiap unit output Y
k
y_in , k=1,2,3,...,m menjumlahkan sinyal-sinyal
input terbobot.
k
= w
0 k
∑
= p
i jk
i
w z
1
+
Universitas Sumatera Utara
gunakan fungsi aktivasi untuk menghitung sinyal outputnya : y
k
= fy_in
k
dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya unit-unit output.
Backpropagation: d. Tiap-tiap unit output Y
k
δ , k=1,2,3,...,m menerima target pola yang
berhubungan dengan pola input pembelajaran, hitung informasi error- nya:
k
= t
k
-y
k
f’y_in
k
kemudian hitung koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai w
jk
∆w :
jk
=α δ
k
z
j
hitung juga koreksi bias yang nantinya akan digunakan untuk memperbaiki nilai w
0k
∆w :
0k
=α δ
k
kirimkan ini ke unit-unit yang ada layer bawahnya. e. Tiap-tiap unit tersembunyi Z
j
δ_in , j=1,2,3,...,p menjumlahkan delta input-
nya dari unit-unit yang berada pada lapisan di atasnya:
j
∑
= m
k jk
k
w
1
δ =
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error :
δ
j
= δ_ in
j
f’z_in
j
kemudian hitung koreksi bias yang nantinya akan digunakan untuk memperbaiki nilai v
ij
∆v :
jk
=α δ
j
x hitung juga koreksi bias yang nantinya akan digunakan untuk
memperbaiki nilai v
i
0j
:
Universitas Sumatera Utara
∆v
0j
=α δ f. Tiap-tiap unit output Y
j k
w , k=1,2,3,...,m memperbaiki bias dan
bobotnya j=0,1,2,...,p:
jk
baru=w
jk
lama+ ∆w
tiap-tiap unit tersembunyi Z
jk j
v , j=1,2,3,...,p memperbaiki bias dan
bobtnya i=0,1,2,...,n:
ij
baru= v
ij
lama+ ∆ v
ij
2. Tes kondisi berhenti.
2.10. Digital Image Processing
