24
ke unit keluaran dan prasikap pada unit keluaran diinisialisasi secara acak dengan nilai antara -0,5 dan 0,5 seperti pada kasus secara umum.
Inisialisasi bobot dari unit masukan ke unit tersembunyi dirancang untuk meningkatkan kemampuan belajar dari unit tersembunyi.
Prosedur inisialisasi bobot menurut Nguyen dan Widrow adalah sebagai berikut :
Langkah 1 Hitung faktor skala :
n
p p
n
7 ,
7 ,
1
= =
β
dengan n adalah jumlah unit masukan dan p adalah jumlah unit tersembunyi.
Langkah 2 Untuk tiap unit tersembunyi j=1,….,p :
Inisialisasikan vektor bobot dari unit masukan : v
ij
lama=nilai acak antara -0,5 dan 0,5 atau antara -
γ dan
γ Hitung :
2 2
2 2
1
... lama
v lama
v lama
v lama
v
nj j
j j
+ +
+ =
Inisialisasikan kembali bobot :
lama v
lama v
v
j ij
ij
β =
Tentukan prasikap : v
0j
= nilai acak antara - β
dan β
.
3.4. Lama Pelatihan
Tujuan dari jaringan perambatan balik adalah untuk mencapai keseimbangan antara tanggapan yang benar untuk pola pelatihan dan tanggapan yang baik untuk
pola masukan yang baru keseimbangan antara mengingat dan generalisasi. Untuk
25
tujuan tersebut maka jaringan tidak perlu melanjutkan pelatihan sampai total galat kuadrat benar-benar mencapai minimum. Hecht dan Nielsen 1990 menyarankan
untuk menggunakan dua kelompok data selama pelatihan. Satu kelompok pola pelatihan dan satu kelompok pola untuk pengecekan pelatihan. Pada selang selama
pelatihan, galat dihitung menggunakan pola pengecekan untuk pelatihan. Pada saat galat untuk pola pengecekan pelatihan menurun, pelatihan dilanjutkan. Ketika galat
mulai meningkat, jaringan mulai mengingat pola pelatihan secara spesifik yang artinya kemampuan generalisasinya mulai menghilang. Pada titik ini, pelatihan dihentikan.
3.5. Jumlah Pasangan Pelatihan
Menurut Baum dan Haussler 1989, jika tersedia pola pelatihan yang cukup, jaringan akan dapat menggeneralisasi sesuai yang diinginkan. Pola pelatihan yang
cukup ditentukan dengan kondisi sebagai berikut :
e W
P e
P W
= =
atau ,
2.39 dengan W adalah jumlah bobot yang dilatih, P adalah jumlah pola pelatihan yang
tersedia dan e adalah ketepatan klasifikasi yang diharapkan. Jika jaringan dilatih untuk mengklasifikasi 1-e2 bagian dari pola pelatihan
secara benar, dengan 0e 18, maka jaringan akan mengklasifikasikan 1-e dari pola pengetesan secara benar pula.
3.6. Representasi Data
Pada banyak kasus, vektor masukan dan vektor keluaran mempunyai komponen dalam rentang nilai yang sama. Karena salah satu faktor dalam ekspresi