Gambar 2.19 Proses pengujian pada perceptron lapis ganda Multi Layers
2.8 Ilustrasi Proses Feedforward
Pada bagian ini akan dijelaskan model jarigan syaraf feedforward proses alur maju untuk lapis ganda seperti pada gambar dibawah ini. Untuk mempermudah pemahaman, maka kita ambil
struktur yang sangat sederhana dari multi layers feedfordward, yaitu struktur terdiri dari dua input x1 dan x2 dengan dua lapis hidden layer dan satu buah output y.
Gambar 2.20 Model sederhan jaringan dengan dua input dan satu output, dengan total 6
neuron. Setiap neuron terdiri dari dua unit. Unit pertama adalah proses penjumlahan dari
koefisien bobot dan input sinyal. Sedangkan unit kedua adalah proses meneruskan sinyal ke fungsi nonlinear yang disebut sebagai fungsi aktivasi. Sinyal e adalah faktor
penjumlahan output sinyal dan, dan y = fe adalah output signal dari nonlinear element. Signal y disebut juga sebagai output signal dari suatu neuron.
Universitas Sumatera Utara
Gambar 2.21 Proses perjumlahan dan threshold pada satu buah neuron
Pada ilustrasi gambar diatas terlihat, dua unit proses yang terjadi pada sebuah neuron. Jika dilihat untuk sistem lebih besar. Output dari satu neuron pada lapis sebelumnya adalah
menjadi input pada neuron lapis sesudahnya.
Untuk mengajari neural network kita butuh training data set. The training data set terdiri dari input signals x
1
dan x
2
yang memiliki target tertentu yang disebut desired output z. proses pembelajaran adalah proses iteratif. Setiap iterasi koefisien bobot diubah dan dimodifikasi
dengan menggunakan data input yang baru dari data training set. Modifikasi dihitung dengan menggunakan algoritma seperti dijelaskan dibawah ini. Setiap iterasi pembelajaran mulai dengan
menggunakan data input dari data pembelajaran. Dengan bobot awal yang dinitialisasi dengan nilai 0 agar lebih mudah atau dengan nilai bilangan random, maka dengan demikian kita bisa
menghitung output keluar dari masing-masing neuron sampai keluaran output dari jaringan itu sendiri dalam alur maju. Symbols w
xmn
mewakili bobot yang terkoneksi antara network input x
m
dan neuron n dalam input layer. Symbols y
n
mewakili output signal dari neuron n.
Universitas Sumatera Utara
2.8.1 Ilustrasi proses alur maju
Untuk y
1
output dari neuron node pertama, yang terkoneksi dengan dua input x1 dan x2 dapat di hitung seperti dibawah ini. Symbol w
x1n
mewakili bobot koneksi antara input sinyal 1 dan input neuron n pada lapisan berikutnya. Misalnya w
x11
artinya bobot pada koneksi dari input node 1 terhubung dengan koneksi dari neuron node 1. maka untuk
1
y dihitung dengan komponen bobot w
x11
dari neuron node 1, w
x21
dari input sinyal ke 2
Gambar 2.22 Perhitungan keluaran neuron node.1
1 2
1 1
1 1 1 2
x x
y f w
x w
x =
+
1 2
2 2
2 1 2
2 x
x
y f w
x w
x =
+
1 2
3 3
3 1 3 2
x x
y f w
x w
x =
+
warna biru menunjukkan alir proses yang terkait dan untuk output neuron pada node 2 y
2
dihitung seperti dibawah ini
Universitas Sumatera Utara
Gambar 2.23 Perhitungan keluaran neuron node.2
Untuk
3
y output node 3 dihitung seperti dibawah ini
Gambar 2.24 Perhitungan keluaran neuron node.3
Symbol w
mn
mewakili bobot koneksi antara output neuron m dan input neuron n pada lapisan berikutnya. Misalnya w
14
artinya bobot pada koneksi dari neuron node 1 terhubung dengan koneksi dari neuron node 4. maka untuk
4
y dihitung dengan komponen bobot w
14
dari neuron node 1, w
24
dari neuron node 2 dan w
34
dari neuron node 3 seperti dibawah ini:
Universitas Sumatera Utara
Gambar 2.25 Perhitungan keluaran neuron node.4
maka untuk
5
y dihitung dengan komponen bobot w
15
dari neuron node 1, w
25
dari neuron node 2 dan w
35
dari neuron node 3 seperti dibawah ini:
Gambar 2.26 Perhitungan keluaran neuron node.5
dan terakhir perambatan sinyal melalui lapisan tersembunyi. Menghitung output keluaran jaringan y:
Universitas Sumatera Utara
Gambar 2.27 Perhitungan keluaran neuron node.6
2.9 Algoritma Backpropagation dalam Jaringan Syaraf Tiruan
