Forward Propagation Forward propagation adalah algoritma pembelajaran tersupervisi dan mendeskripsikan aliran informasi lewat jaringan syaraf

dari layer input ke layer output. Algoritma ini bekerja sebagai berikut: 1. Atur semua bobot ke nilai random antara -1.0 hingga 1.0 2. Atur pola input ke neuron dari layer input jaringan 3. Aktifkan tiap neuron pada layer berikutnya: kalikan nilai bobot koneksi yang mengarah ke neuron ini dengan nilai output dari neuron sebelumnya tambahkan nilai-nilai ini masukkan hasilnya ke fungsi aktivasi, yang menghasilkan nilai output untuk neuron ini. 4. Ulangi hingga layer output tercapai 5. Bandingkan pola output hasil hitungan dengan pola tujuan yang diinginkan dan hitung nilai error 6. Ubah semua bobot dengan menambah nilai error ke nilai bobot lama 7. Ke langkah 2 8. Algoritma selesai, jika semua pola output cocok dengan pola tujuan Contoh: Andaikan anda mempunyai Perceptron 2-layer berikut:

Pola yang akan dipelajari: Input 0 1 1 1 output 0 1

Pertama, nilai bobot diatur ke nilai random (0.35 dan 0.81). Learning rate (rasio pembelajaran) jaringan diatur ke 0,25 . Berikutnya, nilai pola input pertama (0 1) diatur ke neuron input layer (output dari input layer sama dengan inputnya). Neuron pada layer berikutnya diaktifkan: Input 1 neuron output: 0 * 0,35 = 0 Input 2 neuron output: 1 * 0,81 = 0,81 Tambahkan input: 0 + 0,81 = 0,81 Hitung nilai error dengan mengurangkan output dari tujuan: 0 0,81 = -0,81 Nilai untuk perubahan bobot 1: 0,25 * 0 * -0,81 = 0 Nilai untuk perubahan bobot 2: 0,25 * 1 * -0,81 = -0,2025 Ubah bobot 1: 0,35 + 0 = 0,35 Ubah bobot 2: 0,81 + -0,2025 = 0,6975

Setelah bobot diubah, pola input kedua (1 1) diatur ke neuron layer input dan aktivasi neuron output dilakukan lagi, dengan menggunakan nilai bobot baru. Input 1 neuron output: 1 * 0,35 = 0,35 Input 2 neuron output: 1 * 0,6075 = 0,6075 Tambahkan input: 0,35 + 0,6075 = 0,9575 Hitung nilai error dengan mengurangkan output dari tujuan: 1 0,9575 = 0,0425 Nilai untuk perubahan bobot 1: 0,25 * 1 * 0,0425 = 0,010625 Nilai untuk perubahan bobot 2: 0,25 * 1 * 0,0425 = 0,010625 Ubah bobot 1: 0,35 + 0,010625 = 0,360625 Ubah bobot 2: 0,6075 + 0,010625 = 0,618125 Ini adalah satu langkah pembelajaran. Tiap pola input telah dipropagasi (dialirkan) lewat jaringan dan nilai bobot berubah. Error jaringan sekarang dapat dihitung dengan menambah nilai kuadrat error output dari tiap pola: Hitung error jaringan: -0,812 + 0,04252 = 0,6579 Jika nilai error jaringan masih besar (di atas 0) maka pelatihan diulangi lagi dari awal dengan menggunakan bobot-bobot baru. Dengan melakukan prosedur ini berulang-ulang, nilai error ini menjadi semakin kecil. Algoritma berakhir dengan sukses, jika error jaringan nol (sempurna) atau mendekati nol.