Anda di halaman 1dari 8

MAKALAH JARINGAN SYARAF TIRUAN BACKPROPAGATION

Di Susun Oleh :
1. Adhitama Kesatria N 2. Afandi Nur Aziz T 3. Alifvia Arvi N 4. Ambrina Kundyanirum

(L2N008001) (L2N008002) (L2N008004) (L2N008005)

JURUSAN SISTEM KOMPUTER FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO SEMARANG 2011

I.

Pendahuluan Salah satu cabang dari AI (Artificial Intelligence) adalah apa yang dikenal dengan

Jaringan Saraf Tiruan (Artificial Neural Network). Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Dalam makalah ini akan dipelajari mengenai JST Backpropagation mulai dari algoritmanya sampai implementasinya. Usaha manusia dalam mengembangkan suatu sistem yang meniru kemampuan dan perilaku makhluk hidup telah berlangsung selama beberapa decade belakangan ini. Jaringan saraf tiruan (JST), merupakan hasil perkembangan ilmu dan teknologi yang kini sedang berkembang pesat. JST yang berupa susunan sel-sel saraf tiruan (neuron) dibangun berdasarkan prinsip-prinsip organisasi otak manusia. Perhatian yang besar pada JST disebabkan adanya keunggulan yang dimilikinya seperti kemampuan untuk belajar, komputasi paralel, kemampuan untuk memodelkan fungsi nonlinier dan sifat fault tolerance. Sejak ditemukan pertama kali oleh McCulloch dan Pitts pada tahun 1948, JST telah berkembang pesat dan telah digunakan pada banyak aplikasi. Jaringan saraf tiruan (JST) telah dikembangkan sejak tahun 1940. Belum ada definisi yang baku mengenai JST ini. Teori yang menginspirasi lahirnya sistem jaringan saraf muncul dari bermacam disiplin ilmu : terutama dari neuro science, teknik, dan ilmu komputer, juga dari psikologi, matematika, fisika, dan ilmu bahasa. Ilmu-ilmu ini bekerja bersama untuk satu tujuan yaitu pengembangan sistem kecerdasan. II. Pembahasan II.1. Metode Backpropagation Backpropagation (perambatan balik) adalah salah satu metode pembelajaran yang dapat diterapkan dalam JST. Backpropagation merupakan metode pembelajaran yang sangat popular di dalam JST. Arsitektur jaringannya tidak memiliki koneksi umpan balik tetapi error dipropagasikan selama training. Pada pembelajaran ini digunakan Error dengan menghitung Least Mean. Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien

dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set)
1.

Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen

pemroses melalui lapisan luar.


2.

Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual

dan target.
3.

Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi

masukan elemen pemroses.


4.

Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen

pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.
5.

Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan

elemen dan luaran elemen pemroses yang terhubung.

II.2.

Arsitektur JST Backpropagation unit masukkan unit layer tersembunyi unit keluaran

Contoh Arsitekstur JST Backpropagation dengan:

Layer Masukan II.3. bipolar. Fungsi Aktifasi

Layer Tersembunyi

Layer Keluaran

Fungsi aktifasi yang digunakan pada backpropagation yaitu sigmoid biner dan sigmoid

II.4.

Algoritma Pelatihan Backpropagation

Algoritma Pelatihan Backpropagation dengan satu layer tersembunyi dan dengan menggunakan fungsi aktivasi sigmoid biner.

Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil. Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai

dengan 8.
Langkah 2: Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8

Fase I: Propagasi Maju


Langkah 3

Tiap unit masukkan menerima sinyal dan meneruskan ke unit tersembunyi


Langkah 4

Hitung semua keluaran di unit tersembunyi (Zj):

Langkah 5

Hitung semua jaringan di unit keluaran (yk).

Fase II : Propagasi Mundur


Langkah 6

Hitung factor (k=1,2,3.)

unit keluaran berdasarkan kesalahan setiap unit keluaran yk

k=(tk-yk) f(y_netk)= (tk-yk) yk (1-yk)


k

meruapakan unit kesalahan yang akan dipakai dalam perubahan bobot layer

dibawahnya (langkah 7) Hitung suku perubahan bobot Wkj dengan laju perubahan wkj=
k

zj

; k=1,2,3,,m ; j=0,1,2,,p

Langkah 7

Hitung factor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j=1,2,3,,p)

Faktor unit tersembunyi


j

= _netj f(z_netj)= _netj zj (1-zz)

Hitung suku perubahan bobot vji vji= jxi ; j=1,2,,p ; i=0,1,2,,n

Fase III : Perubahan Bobot


Langkah 8

Perubahan bobot garis yang menuju unit keluaran wkj (baru)= wkj (lama) + wkj Perubahan bobot garis yang menuju ke unit tersembunyi Vji (baru)= vji (lama) + vji II.5.

Laju Pemahaman Laju pemahaman di simbolkan dengan Laju pemahaman menentukan lama iterasi Nilai dari diantara 0 sd 1 Semakin besar nilai semakin cepat lama iterasi Akan tetapi jika terlalu besar akan merusak pola, sehingga justru akan lebih

lama iterasinya.

II.6.

Epoch

Epoch yaitu satu siklus pelatihan yang melibatkan semua pola

Misal jika suatu arsitektur JST terdapat 4 pola masukkan dan 1 target, maka pelatihan 4 pola masukkan tersebut adalah 1 epoch II.7. 1. Implementasi JST Backpropagation Untuk Pengenalan Pola

Contoh : Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda, Metode Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Huruf Cetak pada Citra Digital. 2. Untuk Peramalan / Perkiraan Contoh : Implementasi Jaringan Saraf Tiruan Backpropagation Untuk Meramalkan Harga Penjualan Crude Palm Oil, Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek.

III. Penutup a. Kesimpulan

1. Pada JST Backpropagation, menggunakan hidden layer,supervised, dan

memiliki kemampuan pembelajaran. 2. Penerapan JST Backpropagation biasanya digunakan untuk pengenalan pola & untuk peramalan atau perkiraan.
3. JST Backpropagation menggunakan fungsi aktifasi sigmoid biner dan sigmoid

bipolar.
4. Keunggulan utama JST adalah kemampuan komputasi yang pararel dengan

cara belajar dari pola-pola yang diajarkan b. Saran 1. Harus teliti saat menghitung keluaran yang akan dihasilkan. 2. Jumlah epoch harus sesuain dengan input dan output yang dihasikan. IV. Daftar Pustaka
1. Sri Kusumadewi. Buku ajar Kecerdasan Buatan, Teknik Informatika UII, Yogyakarta,

2002.

2. Sutikno., 2010. Algoritma JST Backpropagation & implementasinya [online]

http://sutikno.blog.undip.ac.id/files/.../2.1-Algoritma-JST-backpropagation, tanggal 23 Mei 2011).

diakses

3. NN., 2009. Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek [online] http://www.elektroindonesia.com/elektro/ener29.html, diakses 23

Mei 2011).
4. NN., 2011. JST Backprogagation Project [online]

(http://simplyknowledge.wordpress.com/2011/01/22/jst-backproaation/, diakses tanggal 23 Mei 2011).