Gambar 2.27 Perhitungan keluaran neuron node.6
2.9 Algoritma Backpropagation dalam Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Back-Propagation merupakan salah satu algoritma jaringan yang populer pada jaringan syaraf tiruan. Model jaringan ini banyak digunakan untuk menyelesaikan suatu
masalah berkaitan dengan identifikasi, prediksi, pengenalan pola dan sebagainya. Dengan latihan yang berulang-ulang, algoritma ini akan menghasilkan hasil yang lebih baik. Hal ini berarti
bahwa “bobot interkoneksi” jaringan syaraf tiruan semakin mendekati bobot yang seharusnya. Penelitian jaringan syaraf tiruan, 1993. Kelebihan lain yang di miliki jaringan syaraf tiruan ini
adalah kemampuannya untuk belajar bersifat adaptif dan kebal terhadap adanya kesalahan Fault Tolerance dengan kelebihan tersebut jaringan syaraf tiruan dapat mewujudkan sistem
yang tahan akan kerusakan robust dan konsisten bekerja dengan baik.
Metode Backpropagation ini pertama kali di perkenalkan oleh Paul Werbos pada tahun 1974, kemudian di kemukakan kembali oleh David Parker di tahun 1982 dan di
populerkan oleh Rumelhart dan McCelland pada tahun 1986. Pada algoritma backpropagation ini merupakan arsitektur jaringan menggunakan jaringan
banyak lapis. Secara garis besar proses pelatihan pada jaringan saraf tiruan di kenal beberapa tipe pelatihan, yaitu
Supervised Training, Unsupervised Training, Fixed-Weight Nets. Metode
Universitas Sumatera Utara
pelatihan Backpropagation di kenal dengan
Generalize Delta Rule GDR yang merupakan supervised training untuk tiap pola input yang terdapat pasangan target output untuk
masing-masing pola input. Prinsip kerjanya adalah jika hasil yang diberikan tidak sesuai dengan target yang diinginkan, maka bobot akan dikoreksi kembali agar error semakin berkurang. Pada
umumnya tujuan jaringan syaraf tiruan melakukan proses pelatihan adalah untuk mendapatkan balancing antara kemampuan jaringan untuk menanggapi secara benar pola-pola input pada saat
pelatihan dan kemampuan untuk memberikan hasil yang layak ataupun hasil dengan error rate yang terendah. Sehingga dalam tahap pelatihan akan di bentuk pembobot yang digunakan
sebagai faktor pengali keterkaitan input dengan hasil yang di harapkan.
Pada tahap pelatihan ini yang merupakan langkah bagaimana suatu jaringan syaraf itu berlatih, yaitu dengan cara melakukan perubahan bobot, baik bobot sambungan antar input
layer dan hidden layer maupun antara hidden layer dan output layer, bila terdapat lebih dari satu hidden layer maka juga terdapat pembobot antar hidden layer itu sendiri. Setelah pelatihan
yang cukup, barulah suatu model dengan pembobot tersebut digunakan untuk memecahkan atau meramalkan suatu output.
Universitas Sumatera Utara
BAB 3
ANALISIS DAN PERANCAGAN
3.1 Analisis Forensik pendeteksi
Kategori