Southern Oscillation Index SOI
setiap unit pada lapisan tersembunyi. Nilai δ
j
ini tidak perlu dirambatkan balik ke unit-unit pada lapisan input, namun digunakan untuk memperbaharui bobot pada
jalur antara lapisan input dan lapisan tersembunyi. Setelah seluruh faktor δ dihitung, bobot dari seluruh lapisan diperbaharui
secara simultan. Penyesuain bobot w
jk
dari unit tersembunyi Z
j
ke unit output Y
k
didasarkan pada faktor δ
k
dan nilai aktivasi z
j
dari unit tersembunyi Z
j
. Penyesuain bobot v
ij
dari unit input X
i
ke unit tersembunyi Z
j
didasarkan pada faktor δ
j
dan nilai aktivasi x
i
dari unit input. Nomenklatur yang digunakan pada penjelasan proses pembelajaran disini
adalah sebagai berikut :
x : vektor masukan untuk pelatihan, x = x
1
, …, x
i
, …., x
n
t : vektor target keluaran , t = t
1
, …, t
k
, …., t
m
δ
j
: informasi kesalahan untuk unit ke-j pada lapisan tersembunyi δ
k
: informasi kesalahan untuk unit ke-k pada lapisan output α
: laju pembelajaran Xi : Unit ke-i pada lapisan input;
Pada unit input, sinyal masukan dan sinyal keluarannya sama, yaitu x
i
. v
0j
: bias untuk unit ke-j pada pada lapisan tersembunyi v
ij
: bobot pada penghubung antara unit ke-i pada lapisan input dan unit ke-j pada lapisan tersembunyi
Zj : Unit ke-j pada lapisan tersembunyi; Masukan pada unit tersembunyi Z
j
dinyatakan dengan z_in
j
:
∑
=
+ =
n i
ij i
j j
v x
v in
z
1
_
2 Sedangkan sinyal keluaran aktivasi dari Z
j
dinotasikan dengan z
j
:
_
j j
in z
f z
=
3 w
0k
: bias untuk unit ke-k pada lapisan output w
jk
: bobot penghubung antara unit ke-j pada lapisan tersembunyi dan unit ke-k pada lapisan output
Y
k
: Unit ke-k pada lapisan output; Masukan pada unit output Y
k
dinyatakan dengan y_in
k
:
∑
=
+ =
p j
jk j
k k
w z
w in
y
1
_
4 Sedangkan sinyal keluaran aktivasi dari unit Y
k
dinotasikan dengan y
k
:
_
k k
in y
f y
=
5 Algoritma pelatihan JST backpropagation secara lengkap dapat dilihat di
Lampiran 1.