4. Kerjakan fungsi aktifasi untuk menghitung output 5. Kerjakan untuk menghitung komponen error
6. Kerjakan untuk menghitung komponen perubahan bobot 7. Kerjakan untuk menghitung komponen bias
8. Kerjakan untuk setiap neuron hidden menjumlahkan input dari neuron diatasnya 9. Kerjakan untuk menghitung komponen errornya
10. Kerjakan untuk menghitung koreksi error untuk mengubah V 11. Kerjakan untuk menghitung koreksi error untuk mengubah V
ij
12. Kerjakan untuk menghitung semua perubahan bobot menuju ke unit keluaran
oj
13. Kerjakan untuk menghitung semua perubahan bobot menuju ke unit keluaran 14. Selesai
b. Flowchart Pengujian Backpropagation
Adapun proses dari algoritma Pengujian Backpropagation adalah seperti pada Gambar 3.4.
Gambar 3.4 Flowchart Pengujian Backpropagation
Start
Vektor Input
Setiap Unit pada Output Layer menghitung output
∑
�
�
�
��
= �
�0
+ � �
�
�
�� �
Setiap Unit pada Hidden Layer menghitung output
Stop
Universitas Sumatera Utara
3.4 Arsitektur Jaringan
Berikut ini adalah gambar arsitektur jaringan network yang penulis gunakan dalam menganalisa data masukan input X, layer tersembunyi hidden layer Z dan
keluaran output Y, dimana pada gambar tersebut terdapat 30 tiga puluh masukan input dan 3 tiga layer tersembunyi hidden layer dan 10 sepuluh unit keluaran
output. Dimana V adalah bobot hidden layer ke input layer dan W adalah bobot hidden layer ke output layer.
Universitas Sumatera Utara
Z1
Z2 Z3
Y1
Y2
Y3
Y4
Y5
Y6
Y7
Y8 Y9
Y10
1 X1
X2 X3
X4
1 X5
X6 X7
X8 X9
X10 X11
X12 X13
X14 X15
X16 X17
X18 X19
X20 X21
X22 X23
X24 X25
X26 X27
X28 X29
X30
V10 V20
V30 V11
V21 V31
V12 V22
V32 V13
V23 V33
V14 V24
V34 V15
V25 V35
V16 V26
V36 V17
V27 V37
V18 V28
V38 V19
V29 V39
V110 V210
V310 V111
V211 V311
V112 V212
V312 V113
V213 V313
V114 V214
V314 V115
V215 V315
V116 V216
V316 V117
V217 V317
V118 V218
V318 V119
V219 V319
V120
V220
V321 V321
V321
V122 V222
V322 V123
V223 V323
V124 V224
V324 V125
V225 V325
V126 V226
V326 V127
V227
V327 V128
V228
V328 V129
V229
V329 V130
V230
V330
W10 W20
W30 W40
W50 W70
W80 W100
W90 W11
W21
W31
W41 W51
W61 W71
W81 W91
W101 W102
W103 W12
W13 W22
W23
W32 W33
W42 W43
W52 W53
W62 W63
W72 W73
W82 W83
W92 W93
Gambar 3.5 Arsitektur Jaringan
Universitas Sumatera Utara
BAB 4 ANALISIS DAN PEMBAHASAN
4.1 Analisis
Pada tesis ini dibahas analisis penggunaan algoritma Nguyen Widrow dalam jaringan syaraf tiruan Backpropagation untuk memprediksi seseorang terkena penyakit ginjal
berdasarkan gejala-gejala yang dialami oleh pasien. Agar data dapat dikenali oleh jaringan maka data harus direpresentasikan ke dalam bentuk numerik antara 0 sampai
dengan 1, baik variabel maupun isinya yang merupakan masukan gejala penyakit ginjal beserta kategori dan keluaran yang merupakan prediksi panyakit ginjal.
Bobot-bobot diberikan nilai acak dengan range -1 sampai dengan 1. Misal bobot dari layer input X
i
ke layer tersembunyi Z
i
Misalkan untuk pola yang pertama nilai, X seperti pada Tabel 3.5
1
=1, X
2
=0, X
3
=1, X
4
=0, X
5
=0, X
6
=1, X
7
=0, X
8
=0, X
9
=0, X
10
=0, X
11
=0, X
12
=0, X
13
=0, X
14
=1, X
15
=0, X
16
=1, X
17
=0, X
18
=0, X
19
=0, X
20
=0, X
21
=1, X
22
=1, X
23
=0, X
24
=0, X
25
=0, X
26
=0, X
27
=0, X
28
=1, X
29
=0, X
30
=1, dan t=1
Langkah 0
Untuk algoritma Backpropagasi Inisialisasi Standard: semua bobot dengan bilangan acak kecil.
Tabel 3.5 Bobot dari layer input X
i
ke layer tersembunyi Z
i
Z1 Z2
Z3 X1
0.2 0.3
0.1
X2 0.3
0.1 0.1
X3
0.3 0.3
0.3
Universitas Sumatera Utara
