Top Banner
BACK PROPAGATION BACK PROPAGATION NETWORK (BPN) NETWORK (BPN)
40

Back propagation

Oct 29, 2014

Download

Technology

Pendekar Sunnah

coba2
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: Back propagation

BACK PROPAGATION BACK PROPAGATION NETWORK (BPN)NETWORK (BPN)

Page 2: Back propagation

Arsitektur JaringanArsitektur Jaringan

Salah satu metode pelatihan Salah satu metode pelatihan terawasi pada jaringan syaraf terawasi pada jaringan syaraf adalah metode Backpropagation, adalah metode Backpropagation, di mana ciri dari metode ini di mana ciri dari metode ini adalah meminimalkan error pada adalah meminimalkan error pada output yang dihasilkan oleh output yang dihasilkan oleh jaringan.jaringan.

Dalam metode Backpropagation, Dalam metode Backpropagation, biasanya digunakan jaringan biasanya digunakan jaringan multilayer.multilayer.

Page 3: Back propagation

Arsitektur JaringanArsitektur Jaringan

Page 4: Back propagation

Arsitektur JaringanArsitektur Jaringan

Pada gambar, unit input Pada gambar, unit input dilambangkan dengan X, hidden dilambangkan dengan X, hidden unit dilambangkan dengan Z, dan unit dilambangkan dengan Z, dan unit output dilambangkan dengan unit output dilambangkan dengan Y.Y.

Bobot antara X dan Z dilambangkan Bobot antara X dan Z dilambangkan dengan v sedangkan bobot antara dengan v sedangkan bobot antara Z dan Y dilambangkan dengan w.Z dan Y dilambangkan dengan w.

Page 5: Back propagation

Proses belajar & Proses belajar & PengujianPengujian

Penggunaan Back Propagation Penggunaan Back Propagation Network terdiri dari 2 tahap:Network terdiri dari 2 tahap:– Tahap belajar atau pelatihan, di Tahap belajar atau pelatihan, di

mana pada tahap ini pada BPN mana pada tahap ini pada BPN diberikan sejumlah data pelatihan diberikan sejumlah data pelatihan dan targetdan target

– Tahap pengujian atau penggunaan, Tahap pengujian atau penggunaan, pengujian dan penggunaan pengujian dan penggunaan dilakukan setelah BPN selesai dilakukan setelah BPN selesai belajarbelajar

Page 6: Back propagation

Tahap Belajar atau PelatihanTahap Belajar atau Pelatihan

Pada intinya, pelatihan dengan Pada intinya, pelatihan dengan metode backpropagation terdiri metode backpropagation terdiri dari tiga langkah, yaitu:dari tiga langkah, yaitu:– Data dimasukkan ke input jaringan Data dimasukkan ke input jaringan

(feedforward)(feedforward)– Perhitungan dan propagasi balik dari Perhitungan dan propagasi balik dari

error yang bersangkutanerror yang bersangkutan– Pembaharuan (adjustment) bobot Pembaharuan (adjustment) bobot

dan bias.dan bias.

Page 7: Back propagation

Tahap Belajar atau PelatihanTahap Belajar atau Pelatihan

Saat umpan maju (feedforward), setiap Saat umpan maju (feedforward), setiap unit input (Xunit input (Xii) akan menerima sinyal ) akan menerima sinyal input dan akan menyebarkan sinyal input dan akan menyebarkan sinyal tersebut pada tiap hidden unit (Ztersebut pada tiap hidden unit (Zjj).).

Setiap hidden unit kemudian akan Setiap hidden unit kemudian akan menghitung aktivasinya dan mengirim menghitung aktivasinya dan mengirim sinyal (zsinyal (zjj) ke tiap unit output.) ke tiap unit output.

Kemudian setiap unit output (YKemudian setiap unit output (Ykk) juga ) juga akan menghitung aktivasinya (yakan menghitung aktivasinya (ykk) ) untuk menghasilkan respons terhadap untuk menghasilkan respons terhadap input yang diberikan jaringan.input yang diberikan jaringan.

Page 8: Back propagation

Tahap Belajar atau PelatihanTahap Belajar atau Pelatihan

Saat proses pelatihan (training), setiap unit Saat proses pelatihan (training), setiap unit output membandingkan aktivasinya (youtput membandingkan aktivasinya (ykk) dengan ) dengan nilai target (tnilai target (tkk) untuk menentukan besarnya ) untuk menentukan besarnya error.error.

Berdasarkan error ini, dihitung faktor Berdasarkan error ini, dihitung faktor kk, di mana , di mana faktor ini digunakan untuk mendistribusikan error faktor ini digunakan untuk mendistribusikan error dari output ke layer sebelumnya.dari output ke layer sebelumnya.

Dengan cara yang sama, faktor Dengan cara yang sama, faktor jj juga dihitung juga dihitung pada hidden unit Zpada hidden unit Zjj, di mana faktor ini digunakan , di mana faktor ini digunakan untuk memperbaharui bobot antara hidden layer untuk memperbaharui bobot antara hidden layer dan input layer.dan input layer.

Setelah semua faktor Setelah semua faktor ditentukan, bobot untuk ditentukan, bobot untuk semua layer diperbaharui.semua layer diperbaharui.

Page 9: Back propagation

Proses belajar secara detailProses belajar secara detail

Step 0Step 0 : Inisialisasi bobot dan bias: Inisialisasi bobot dan bias– Baik bobot maupun bias dapat diset Baik bobot maupun bias dapat diset

dengan sembarang angka (acak) dan dengan sembarang angka (acak) dan biasanya angka di sekitar 0 dan 1 atau -biasanya angka di sekitar 0 dan 1 atau -1 (bias positif atau negatif)1 (bias positif atau negatif)

Step 1Step 1 :Jika stopping condition :Jika stopping condition masih belum terpenuhi, jalankan step masih belum terpenuhi, jalankan step 2-9.2-9.

Step 2Step 2 :Untuk setiap data training, :Untuk setiap data training, lakukan step 3-8.lakukan step 3-8.

Page 10: Back propagation

Proses belajar secara detailProses belajar secara detail

Umpan maju (feedforward)Umpan maju (feedforward)

Step 3Step 3 : Setiap unit input (X: Setiap unit input (X ii,i=1,…,n) menerima ,i=1,…,n) menerima sinyal input xsinyal input xii dan menyebarkan sinyal tersebut pada dan menyebarkan sinyal tersebut pada seluruh unit pada hidden layer. Perlu diketahui bahwa seluruh unit pada hidden layer. Perlu diketahui bahwa input xinput xii yang dipakai di sini adalah input training data yang yang dipakai di sini adalah input training data yang sudah diskalakan.sudah diskalakan.

Step 4Step 4 : Setiap hidden unit (Z: Setiap hidden unit (Z jj,j=1,…,p) akan ,j=1,…,p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnyatermasuk biasnya

Page 11: Back propagation

Proses belajar secara detailProses belajar secara detail

dan memakai fungsi aktivasi yang telah dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal ditentukan untuk menghitung sinyal output dari hidden unit yang output dari hidden unit yang bersangkutan,bersangkutan,

lalu mengirim sinyal output ini ke lalu mengirim sinyal output ini ke seluruh unit pada unit outputseluruh unit pada unit output

Page 12: Back propagation

Proses belajar secara detailProses belajar secara detail

Step 5Step 5 : Setiap unit output : Setiap unit output (Y(Ykk,k=1,…,m) akan menjumlahkan ,k=1,…,m) akan menjumlahkan sinyal-sinyal input yang sudah sinyal-sinyal input yang sudah berbobot, termasuk biasnya,berbobot, termasuk biasnya,

Page 13: Back propagation

Proses belajar secara detailProses belajar secara detail

dan memakai fungsi aktivasi yang dan memakai fungsi aktivasi yang telah ditentukan untuk telah ditentukan untuk menghitung sinyal output dari menghitung sinyal output dari unit output yang bersangkutan:unit output yang bersangkutan:

Page 14: Back propagation

Proses belajar secara detailProses belajar secara detail

Propagasi balik error (backpropagation of Propagasi balik error (backpropagation of error)error)

Step 6Step 6 : Setiap unit output (Y: Setiap unit output (Ykk,k=1,,k=1,…,m) menerima suatu target (output yang …,m) menerima suatu target (output yang diharapkan) yang akan dibandingkan diharapkan) yang akan dibandingkan dengan output yang dihasilkan. dengan output yang dihasilkan.

Page 15: Back propagation

Proses belajar secara detailProses belajar secara detail

Faktor Faktor kk ini digunakan untuk menghitung ini digunakan untuk menghitung koreksi error (koreksi error (wwjkjk) yang nantinya akan ) yang nantinya akan dipakai untuk memperbaharui wdipakai untuk memperbaharui wjkjk, di , di mana:mana:

wwjkjk==kkzzjj Selain itu juga dihitung koreksi bias Selain itu juga dihitung koreksi bias ww0k0k

yang nantinya akan dipakai untuk yang nantinya akan dipakai untuk memperbaharui wmemperbaharui w0k0k, di mana:, di mana:

ww0k0k==kk Faktor Faktor k k ini kemudian dikirimkan ke layer ini kemudian dikirimkan ke layer

di depannya.di depannya.

Page 16: Back propagation

Proses belajar secara detailProses belajar secara detail

Step 7Step 7 : Setiap hidden unit : Setiap hidden unit (Z(Zjj,j=1,…,p) menjumlah input ,j=1,…,p) menjumlah input delta (yang dikirim dari layer delta (yang dikirim dari layer pada step 6) yang sudah pada step 6) yang sudah berbobot.berbobot.

Page 17: Back propagation

Proses belajar secara detailProses belajar secara detail

Kemudian hasilnya dikalikan Kemudian hasilnya dikalikan dengan turunan dari fungsi dengan turunan dari fungsi aktivasi yang digunakan jaringan aktivasi yang digunakan jaringan untuk menghasilkan faktor untuk menghasilkan faktor koreksi error koreksi error jj, di mana:, di mana:

jj= = _in_injj f’(z_in f’(z_injj))

Page 18: Back propagation

Proses belajar secara detailProses belajar secara detail

Faktor Faktor jj ini digunakan untuk menghitung ini digunakan untuk menghitung koreksi error (koreksi error (vvijij) yang nantinya akan ) yang nantinya akan dipakai untuk memperbaharui vdipakai untuk memperbaharui vijij, di mana:, di mana:

vvijij==jjxxii

Selain itu juga dihitung koreksi bias Selain itu juga dihitung koreksi bias vv0j0j yang nantinya akan dipakai untuk yang nantinya akan dipakai untuk memperbaharui vmemperbaharui v0j0j, di mana:, di mana:

vv0j0j==jj

Page 19: Back propagation

Proses belajar secara detailProses belajar secara detail

Pembaharuan bobot dan bias:Pembaharuan bobot dan bias: Step 8Step 8 : :

– Setiap unit output (YSetiap unit output (Ykk,k=1,…,m) akan ,k=1,…,m) akan memperbaharui bias dan bobotnya memperbaharui bias dan bobotnya dengan setiap hidden unit.dengan setiap hidden unit.

wwjkjk(baru)=w(baru)=wjkjk(lama) + (lama) + wwjkjk

– Demikian pula untuk setiap hidden unit Demikian pula untuk setiap hidden unit akan memperbaharui bias dan bobotnya akan memperbaharui bias dan bobotnya dengan setiap unit input. dengan setiap unit input.

vvijij(baru)=v(baru)=vijij(lama) + (lama) + vvijij

Page 20: Back propagation

Proses belajar secara detailProses belajar secara detail

Step 9Step 9 : Memeriksa stopping : Memeriksa stopping conditioncondition– Jika stop condition telah terpenuhi, Jika stop condition telah terpenuhi,

maka pelatihan jaringan dapat maka pelatihan jaringan dapat dihentikan.dihentikan.

Page 21: Back propagation

Stopping ConditionStopping Condition

Untuk menentukan stopping condition Untuk menentukan stopping condition terdapat dua cara yang biasa dipakai, terdapat dua cara yang biasa dipakai, yaitu:yaitu:– Membatasi iterasi yang ingin dilakukan.Membatasi iterasi yang ingin dilakukan.

Misalnya jaringan akan dilatih sampai iterasi yang Misalnya jaringan akan dilatih sampai iterasi yang ke-500.ke-500.

Yang dimaksud dengan satu iterasi adalah Yang dimaksud dengan satu iterasi adalah perulangan step 3 sampai step 8 untuk semua perulangan step 3 sampai step 8 untuk semua training data yang ada.training data yang ada.

– Membatasi error. Membatasi error. Misalnya menentukan besar Mean Square Error Misalnya menentukan besar Mean Square Error

antara output yang dikehendaki dan output yang antara output yang dikehendaki dan output yang dihasilkan oleh jaringan. dihasilkan oleh jaringan.

Page 22: Back propagation

Mean Square ErrorMean Square Error

Jika terdapat sebanyak m training Jika terdapat sebanyak m training data, maka untuk menghitung data, maka untuk menghitung Mean Square Error digunakan Mean Square Error digunakan persamaan berikut:persamaan berikut:• MSE=0,5 x {(tMSE=0,5 x {(tk1k1-y-yk1k1))22+ (t+ (tk2k2-y-yk2k2))22+…+ +…+

(t(tkmkm-y-ykmkm))22}}

Page 23: Back propagation

Tahap pengujian & Tahap pengujian & PenggunaanPenggunaan

Setelah pelatihan selesai, BPN dianggap Setelah pelatihan selesai, BPN dianggap telah pintar sehingga apabila jaringan telah pintar sehingga apabila jaringan diberi input tertentu, jaringan akan diberi input tertentu, jaringan akan menghasilkan output seperti yang menghasilkan output seperti yang diharapkan.diharapkan.

Cara mendapatkan output tersebut Cara mendapatkan output tersebut adalah dengan mengimplementasikan adalah dengan mengimplementasikan metode backpropagation yang sama metode backpropagation yang sama seperti proses belajar, tetapi hanya pada seperti proses belajar, tetapi hanya pada bagian umpan majunya saja, yaitu bagian umpan majunya saja, yaitu dengan langkah-langkah sebagai berikut:dengan langkah-langkah sebagai berikut:

Page 24: Back propagation

Penghitungan output Penghitungan output jaringanjaringan

Step 0: Inisialisasi bobot sesuai Step 0: Inisialisasi bobot sesuai dengan bobot yang telah dihasilkan dengan bobot yang telah dihasilkan pada proses pelatihan di atas.pada proses pelatihan di atas.

Step 1: Untuk setiap input, lakukan Step 1: Untuk setiap input, lakukan step 2-4.step 2-4.

Step 2: Untuk setiap input i=1,…,n Step 2: Untuk setiap input i=1,…,n skalakan bilangan dalam range fungsi skalakan bilangan dalam range fungsi aktivasi seperti yang dilakukan pada aktivasi seperti yang dilakukan pada proses pelatihan di atas.proses pelatihan di atas.

Page 25: Back propagation

Penghitungan output Penghitungan output jaringanjaringan

Step 3: untuk j=1,…,p:Step 3: untuk j=1,…,p:

Page 26: Back propagation

Penghitungan output Penghitungan output jaringanjaringan

Step 4 : Untuk k=1,…,m:Step 4 : Untuk k=1,…,m:

Page 27: Back propagation

Penghitungan output Penghitungan output jaringanjaringan

Variabel yVariabel ykk adalah output yang adalah output yang masih dalam skala menurut range masih dalam skala menurut range fungsi aktivasi.fungsi aktivasi.

Untuk mendapatkan nilai output Untuk mendapatkan nilai output yang sesungguhnya, yyang sesungguhnya, ykk harus harus dikembalikan seperti semula.dikembalikan seperti semula.

Page 28: Back propagation

Contoh aplikasi BPNContoh aplikasi BPN Misalkan, jaringan terdiri dari 2 unit Misalkan, jaringan terdiri dari 2 unit

input, 1 hidden unit (dengan 1 hidden input, 1 hidden unit (dengan 1 hidden layer), dan 1 unit output. layer), dan 1 unit output.

Jaringan akan dilatih untuk Jaringan akan dilatih untuk memecahkan fungsi XOR.memecahkan fungsi XOR.

Fungsi aktivasi yang digunakan adalah Fungsi aktivasi yang digunakan adalah sigmoid biner dengan nilai learning sigmoid biner dengan nilai learning rate (rate () = 0,01 dan nilai ) = 0,01 dan nilai =1. =1.

Page 29: Back propagation

Arsitektur jaringan yang akan Arsitektur jaringan yang akan dilatih adalah sebagai berikut:dilatih adalah sebagai berikut:

Page 30: Back propagation

Training data yang digunakan Training data yang digunakan terdiri dari 4 pasang input-output, terdiri dari 4 pasang input-output, yaitu:yaitu:

Page 31: Back propagation

Sebelum pelatihan, harus Sebelum pelatihan, harus ditentukan terlebih dahulu ditentukan terlebih dahulu stopping conditionnya.stopping conditionnya.

Misalnya dihentikan jika error Misalnya dihentikan jika error telah mencapai 0,41.telah mencapai 0,41.

Page 32: Back propagation

Langkah-langkah Langkah-langkah pelatihanpelatihan

Step 0: Misalnya inisialisasi bobot Step 0: Misalnya inisialisasi bobot dan bias adalah:dan bias adalah:

vv0101=1,718946=1,718946

vv1111=-1,263178=-1,263178

vv2121=-1,083092=-1,083092

ww0101=-0,541180=-0,541180

ww1111=0,543960=0,543960

Page 33: Back propagation

Step 1: Dengan bobot di atas, tentukan error untuk Step 1: Dengan bobot di atas, tentukan error untuk training data secara keseluruhan dengan Mean training data secara keseluruhan dengan Mean Square Error:Square Error:• z_inz_in1111=1,718946+{(0 x -1,263178)+(0 x-=1,718946+{(0 x -1,263178)+(0 x-

1,083092)}=1,7189461,083092)}=1,718946• zz1111=f(z_in=f(z_in1111)=0,847993)=0,847993

• z_inz_in1212=1,718946+{(0 x-1,263178)+(1 x -=1,718946+{(0 x-1,263178)+(1 x -1,083092)}=0,6358541,083092)}=0,635854

• zz1212=f(z_in=f(z_in1212)=0,653816)=0,653816

• z_inz_in1313=1,718946+{(1 x- 1,263178)+(0 x- =1,718946+{(1 x- 1,263178)+(0 x- 1,083092)}=0,4557681,083092)}=0,455768

• zz1313=f(z_in=f(z_in1313)=0,612009)=0,612009

• z_inz_in1414=1,718946+{(1 x -1,263178)+(1 x -1,083092)=-=1,718946+{(1 x -1,263178)+(1 x -1,083092)=-0,6273240,627324

• zz1414=f(z_in=f(z_in1414)=0,348118)=0,348118

di mana indeks zdi mana indeks zjnjn berarti hidden unit ke-j dan training berarti hidden unit ke-j dan training data ke-n.data ke-n.

Page 34: Back propagation

y_iny_in1111=-0,541180+(0,847993 x 0,543960)=0,079906=-0,541180+(0,847993 x 0,543960)=0,079906

yy1111=f(y_in=f(y_in1111)=0,480034)=0,480034

y_iny_in1212=-0,541180+(0,653816 x 0,543960)=-0,185530=-0,541180+(0,653816 x 0,543960)=-0,185530

yy1212=f(y_in=f(y_in1212)=0,453750)=0,453750

y_iny_in1313=-0,541180+(0,612009 x 0,543960)=0,208271=-0,541180+(0,612009 x 0,543960)=0,208271

yy1313=f(y_in=f(y_in1313)=0,448119)=0,448119

y_iny_in1414=-0,541180+(0,348118 x 0,543960)=-0,351818=-0,541180+(0,348118 x 0,543960)=-0,351818

yy1414=f(y_in=f(y_in1414)=0,412941)=0,412941

Maka E=0,5 x {(0-0,480034)Maka E=0,5 x {(0-0,480034)2 2 + (1-0,453750)+ (1-0,453750)22) + (1-) + (1-0,448119)0,448119)22 + (0-0,412941) + (0-0,412941)22}=0,501957}=0,501957

Page 35: Back propagation

Step2. Karena error masih lebih besar dari Step2. Karena error masih lebih besar dari 0,41 maka step 3-8 dijalankan.0,41 maka step 3-8 dijalankan.

Step 3. x1=0; x2=0 (iterasi pertama, Step 3. x1=0; x2=0 (iterasi pertama, training data pertama)training data pertama)

Step 4. Step 4. z_inz_in11=1,718946+{(0x-1,263126)+(0x-=1,718946+{(0x-1,263126)+(0x-

1,083049)}=1,718946.1,083049)}=1,718946. zz11=f(z_in=f(z_in11)=0,847993)=0,847993

Step 5. Step 5. y_iny_in1111=-=-

0,541180+(0,847993x0,543960)=0,0799060,541180+(0,847993x0,543960)=0,079906 yy1111=f(y_in=f(y_in1111)=0,480034)=0,480034

Step 6.Step 6. 11=(0-0,480034)f ’(0,079906)=-0,119817=(0-0,480034)f ’(0,079906)=-0,119817 ww1111=0,01x-0,119817x0,847993=-0,001016=0,01x-0,119817x0,847993=-0,001016 ww0101=0,01x-0,119817=-0,00119817=0,01x-0,119817=-0,00119817

Page 36: Back propagation

Step 7.Step 7. _in_in11=-0,00119817x0,543960=-0,00065176=-0,00119817x0,543960=-0,00065176 11=-0,00065176xf’(1,718946)=-0,00008401=-0,00065176xf’(1,718946)=-0,00008401 vv1111=0,01x-0,00008401x0=0=0,01x-0,00008401x0=0 vv2121=0,01x-0,00008401x0=0=0,01x-0,00008401x0=0 vv0101=0,01x-0,00008401=-0,0000008401=0,01x-0,00008401=-0,0000008401

Step 8.Step 8. ww0101(baru)=-0,541180+(-0,00119817)=-0,542378(baru)=-0,541180+(-0,00119817)=-0,542378 ww1111(baru)=0,543960+(-0,001016)=0,542944(baru)=0,543960+(-0,001016)=0,542944 vv0101(baru)=1,718946+(-0,0000008401)=1,718862(baru)=1,718946+(-0,0000008401)=1,718862 vv1111(baru)=-1,263178+0=-1,263178(baru)=-1,263178+0=-1,263178 vv2121(baru)=-1,083092+0=-1,083092(baru)=-1,083092+0=-1,083092

Saat ini vSaat ini v1111 dan v dan v1212 masih belum berubah karena masih belum berubah karena kedua inputnya =0. Nilai vkedua inputnya =0. Nilai v0101 dan v dan v0202 baru berubah baru berubah pada iterasi pertama untuk training data yang pada iterasi pertama untuk training data yang keduakedua

Page 37: Back propagation

Setelah step 3-8 untuk training data Setelah step 3-8 untuk training data pertama dijalankan, selanjutnya pertama dijalankan, selanjutnya kembali lagi ke step 3 untuk training kembali lagi ke step 3 untuk training data yang kedua (xdata yang kedua (x11=0 dan x=0 dan x22=1).=1).

Langkah yang sama dilakukan Langkah yang sama dilakukan sampai pada training data yang sampai pada training data yang keempat. keempat.

Bobot yang dihasilkan pada iterasi Bobot yang dihasilkan pada iterasi pertama, training data ke-2,3, dan 4 pertama, training data ke-2,3, dan 4 adalah: adalah:

Page 38: Back propagation

Training data ke-2:Training data ke-2: ww0101=-0,541023=-0,541023 ww1111=0,543830=0,543830 vv0101=1,718862=1,718862 vv1111=-1,263178=-1,263178 vv2121=-1,083092=-1,083092

Training data ke-3:Training data ke-3: ww0101=-0,539659=-0,539659 ww1111=0,544665=0,544665 vv0101=1,719205=1,719205 vv1111=-1,263002=-1,263002 vv2121=-1,082925=-1,082925

Training data ke-4:Training data ke-4: ww0101=-0,540661=-0,540661 ww1111=0,544316=0,544316 vv0101=1,719081=1,719081 vv1111=-1,263126=-1,263126 vv2121=-1,083049=-1,083049

Page 39: Back propagation

Setelah sampai pada training data ke-4, maka Setelah sampai pada training data ke-4, maka iterasi pertama selesai.iterasi pertama selesai.

Berikutnya, pelatihan sampai pada step9, yaitu Berikutnya, pelatihan sampai pada step9, yaitu memeriksa stopping condition dan kembali memeriksa stopping condition dan kembali pada step 2.pada step 2.

Demikian seterusnya sampai stopping Demikian seterusnya sampai stopping condition yang ditentukan terpenuhi.condition yang ditentukan terpenuhi.

Setelah pelatihan selesai, bobot yang Setelah pelatihan selesai, bobot yang didapatkan adalah:didapatkan adalah: vv0101=12,719601=12,719601

vv1111=-6,779127=-6,779127

vv2121=-6,779127=-6,779127

ww0101=-5,018457=-5,018457

ww1111=5,719889=5,719889

Page 40: Back propagation

Jika ada input baru, misalnya xJika ada input baru, misalnya x11=0,2 dan x=0,2 dan x22=0,9 maka =0,9 maka outputnya dapat dicari dengan langkah umpan maju outputnya dapat dicari dengan langkah umpan maju sebagai berikut:sebagai berikut:

Step 0. Bobot yang dipakai adalah bobot hasil pelatihan Step 0. Bobot yang dipakai adalah bobot hasil pelatihan di atas.di atas.

Step 1. Perhitungan dilakukan pada step 2-4Step 1. Perhitungan dilakukan pada step 2-4 Step 2. Dalam contoh ini, bilangan telah berada dalam Step 2. Dalam contoh ini, bilangan telah berada dalam

interval 0 sampai dengan 1, jadi tidak perlu diskalakan interval 0 sampai dengan 1, jadi tidak perlu diskalakan lagi.lagi.

Step 3.Step 3. z_inz_in11=12,719601+{(0,2x-6,779127)+(0,9x-6,779127)}=5,262561=12,719601+{(0,2x-6,779127)+(0,9x-6,779127)}=5,262561 zz11=f(5,262561)=0,994845=f(5,262561)=0,994845

Step 4.Step 4. y_iny_in11=-5,018457+(0,994845x5,719889)=0,671944=-5,018457+(0,994845x5,719889)=0,671944 yy11=f(0,671944)=0,661938=f(0,671944)=0,661938

Jadi jika input xJadi jika input x11=0,2 dan x=0,2 dan x22=0,9; output yang dihasilkan =0,9; output yang dihasilkan jaringan adalah 0,661938jaringan adalah 0,661938