ke tiap unit keluaran. Tiap unit keluaran menghitung aktivasinya
untuk membentuk respon pada jaringan untuk memberikan pola masukan. Selama
pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya dengan
nilai targetnya untuk menentukan kesalahan pola tersebut dengan unit itu.
Berdasarkan kesalahan ini, faktor k = 1,..,m dihitung.
digunakan untuk menyebarkan kesalahan pada unit keluaran y
k
kembali ke semua unit pada lapisan sebelumnya unit-unit tersembunyi yang dihubungkan ke
, selain itu juga digunakan nantinya untuk meng-update bobot-bobot antara keluaran dan
lapisan tersembunyi. Dengan cara yang sama, faktor j = 1,…,p dihitung untuk tiap unit tersembunyi
, tanpa perlu untuk menyebarkan kesalahan kembali ke lapisan masukan, tetapi
δ
j
Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur
secara serentak. Pengaturan bobot w digunakan untuk meng-update bobot-bobot antara
lapisan tersembunyi dan lapisan masukan.
jk
dari unit tersembunyi ke unit keluaran
didasarkan pada faktor dan aktivasi
dari unit tersembunyi didasarkan
pada faktor dan aktivasi
unit masukan. Untuk langkah selengkapnya adalah Laurence, 1994 :
b. Prosedur Pelatihan
Berikut adalah langkah-langkah pelatihan backpropagation secara lebih detail. Langkah 0
: Inisialisasi bobot dan bias. sebaiknya diatur pada nilai acak yang kecil, disekitar 0 dan 1 atau -1 bias positif atau
negatif; Langkah 1
: Jika kondisi berhenti belum tercapai, lakukan langkah 2-9; Langkah 2
: Untuk setiap data trainning, lakukan langkah 3-8.
Umpan Maju Feedforward Propagation:
Langkah 3 : Tiap unit input x
i
, i = 1,…, n menerima sinyal x
i
dan menyebarkan sinyal ini ke seluruh unit lapisan di atasnya
hidden unit. Input x
i
yang dipakai adalah input trainning
Universitas Sumatera Utara
data yang sudah diskalakan. Pertama, input yang mungkin dipakai dalam sistem dicari nilai terendah dan tertingginya,
kemudian, skala yang digunakan tergantung dari fungsi aktivasinya;
Langkah 4 : Setiap hidden unit , j = 1,…, p akan menjumlahkan bobot
sinyal masukannya, termasuk biasnya; 2.19
Dimana v
oj
= bias pada unit tersembunyi j, kemudian aplikasikan fungsi aktivasi yang telah ditentukan untuk
menghitung sinyal output dari
hidden unit yang
bersangkutan; = f
2.20 lalu kirimkan sinyal output ini keseluruh unit pada lapisan
diatasnya output unit. Langkah 5
: Tiap unit ouput , k = 1,…, m akan menjumlahkan
bobot sinyal masukannya, termasuk biasnya; 2.21
Dimana w
ok
= bias pada unit keluaran k, kemudian aplikasikan fungsi aktivasi yang telah ditentukan untuk
menghitung sinyal output dari unit output yang bersangkutan; = f
2.22 lalu kirimkan sinyal output ini keseluruh unit pada lapisan
diatasnya output unit.
Universitas Sumatera Utara
Propagasi error Feed backward propagation.
Langkah 6 : Tiap unit ouput
, k = 1,…, m menerima pola target desired output yang sesuai dengan pola input input
trainning pattern untuk menghitung kesalahan error antara target dengan output yang dihasilkan jaringan;
2.23 Dimana :
δ
k
= error pada node ke-k = target ke-k
f’x = fx [1-fx] Output trainning data t
k
Gunakan faktor telah diskalakan menurut fungsi
aktivasi yang dipakai. untuk menghitung koreksi bobotnya
digunakan untuk memperbaharui w
jk
nantinya; 2.24
Hitung koreksi biasnya digunakan untuk memperbaharui w
ok
nantinya 2.25
Kirimkan faktor δ
k
ini ke unit-unit pada lapisan dibawahnya layer pada langkah 7;
Langkah 7 : Setiap hidden unit , j = 1,…, p menjumlahkan input delta
dari unit-unit lapisan diatasnya yang dikirim dari layer pada langkah 6 yang sudah berbobot;
2.26
Kalikan hasilnya dengan turunan dari fungsi aktivasi yang
Universitas Sumatera Utara
digunakan untuk menghasilkan faktor koreksi error dimana :
2.27
Faktor ini digunakan untuk menghitung koreksi error
digunakan untuk memperbaharui v
ij
nanti, dimana; 2.28
Selain itu juga dihitung koreksi bias digunakan untuk
memperbaharui v
oj
nanti, dimana; 2.29
Pembaharuan bobot adjustment dan bias.
Langkah 8 : Tiap unit output
, k = 1,…, m akan mengupdate bias dan bobotnya dari setiap hidden unit j = 0,…, p ;
baru = lama
+ Δ 2.30
Tiap unit hidden unit , j = 1,…, p akan mengupdate bias
dan bobotnya dari setiap unit input i = 0,…,n : baru =
lama + Δ
2.31
Langkah 9 : Test kondisi berhenti.
Jika stop condition kondisi berhenti telah terpenuhi, maka proses pelatihan dapat dihentikan. Ada dua cara yang dapat
dilakukan untuk menentukan stopping condition test kondisi berhenti, yaitu :
Cara 1 : Membatasi jumlah iterasi yang ingin dilakukan
satu iterasi merupakan perulangan langkah 3
Universitas Sumatera Utara
sampai dengan langkah 8 untuk semua trainning data yang ada. Jika jumlah iterasi telah
terpenuhi, maka proses pelatihan akan berhenti.
Cara 2 : Membatasi error. Untuk metode BPNN, metode
yang digunakan adalah Mean Square Error, untuk menghitung rata-rata error antara output
yang dikehendaki pada trainning data dengan output yang dihasilkan oleh jaringan. Besarnya
persen error ini tergantung kepresisian yang dibutuhkan oleh sistem yang bersangkutan.
c. Prosedur Pengujian :