Mutu Tepung Jagung Tepung Jagung
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
mendatang, prediksi nilai penjualan dan lain sebagainya. Peramalan ini didasarkan pada data yang diperoleh pada masa lalu.
Dalam memecahkan masalah peramalan, variabel yang diperhatikan adalah variabel yang mempengaruhi output peramalan yang akan dicapai. Terdapat dua
model dalam peramalan yaitu model peramalan berdasarkan runtun waktu time series dan model kausal.
Pada model peramalan time series, sejumlah data x1, x2, ..., xn akan digunakan untuk memperkirakan nilai xn+1. Dengan backpropagation, sebagian
data dipakai sebagai pelatihan untuk mencapai bobot yang optimal. Periode ditentukan secara intuitif tergantung variabel yang akan diprediksi. Banyaknya
data dalam satu periode digunakan sebagai banyaknya input dalam backpropagation. Sebagai contoh, apabila diambil periode bulanan selama
setahun, maka data yang digunakan sebagai target adalah data bulan pertama setelah periode berakhir.
Pada model peramalan kausal, unit-unit neuron input merupakan variabel- variabel yang mempengaruhi neuron output. Neuron output y merupakan variabel
yang diramalkan dan dipengaruhi oleh variabel-variabel input. Pada backpropagation ini belum ada teori yang secara pasti dapat
digunakan dalam penentuan jumlah layar. Pada awalnya dicoba dengan jaringan kecil lebih dahulu, jika terdapat kesalahan maka jaringan diperbesar dengan
menambahkan neuron pada layar tersembunyi, atau dapat menambah layar tersembunyi.