Oleh
MAROLOP M NAIBAHO
140610130061
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2016
X
2
1
0
1
0
Y
0
1
1
0
TAHAPAN ITERASI
a. Inisialisasi Bobot
Inisialisasi bobot dengan jangkauan [-0.5,0.5] atau (-2.4/F,2.4/F) (Haykin, 1999)
b. Selanjutnya dilakukan fungsi aktivasi untuk menghitung nilai keluaran pada
neuron hidden layer dan non-hidden layer dengan persamaan sebagai berikut:
1. Menghitung keluaran pada neuron hidden layer
n
v j ( p ) = xi ( p ) wij ( p )
i=1
nilai
y j ( p )=
1
1+ev ( p )
j
v k ( p )= x i ( p ) wik ( p )
i=1
1
1+ ev ( p)
k
3. Perbaharui Bobot
Mengkoreksi nilai bobot dilakukan dengan cara menghitung terlebih
dahulu nilai gradient error pada setiap neuron.
4. Langkah berikutnya yaitu menghitung koreksi bobot dari setiap layer
neuron.
5. Iterasi
Pada tahap ini akan dilakukan update bobot baru dan menghitung nilai
MSE. Iterasi akan berhenti apabila nilai MSE < 0.001 atau sudah
mencapai iterasi yang ke-1000000.
1. ITERASI PERTAMA
a. Inisialisasi Bobot
no input
J=1
J=2
BOBOT
Wj3
0.3
0.5
Wj4
-0.8
0.1
Wj5
0.2
0.7
b. Langkah Aktivasi
1. Menghitung keluaran pada neuron hidden layer
v3
y3
v4
y4
1
0.731059
-0.9
0.28905
0.64854
7
0.65668
3
-0.65668
3. Perbaharui Bobot
Gradien Error Pada Non Hidden Layer
5
-0.14805
Gradien Error Pada Hidden Layer
3
-0.00058
4
-0.00213
Koreksi Bobot Pada Non-Hidden Layer
w35
-0.01082
w45
-0.00428
w05
-0.0148
Koreksi Bobot Pada Hidden Layer
w13
-0.00058
w23
-0.00058
w03
-0.00058
w14
-0.00213
w24
-0.00213
w04
-0.00213
W0j
0.2
-0.2
0.3
4. Iterasi
Inisial Bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
Bobot Lama
0.2
0.7
0.3
0.3
0.5
0.2
-0.8
0.1
-0.2
2. ITERASI KEDUA
a. Inisialisasi bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
0.18917672
0.69572062
0.28519505
0.29941783
0.49941783
0.19941783
-0.8021297
0.09787031
-0.2021297
b. Langkah Aktivasi
Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner.
1. Menghitung keluaran pada neuron hidden layer
v3
y3
v4
y4
0.998254
0.730715
-0.90639
0.287739
e2
0.0001171435
0.0000183131
0.0002191865
0.0000003389
0.0000003389
0.0000003389
0.0000045356
0.0000045356
0.0000045356
0.0000410296
v5
y5
e5
0.623616
0.65104
-0.65104
3. Perbaharui Bobot
Gradien Error Pada Non Hidden Layer
5
-0.14791
-0.00055
-0.01081
-0.00426
-0.01479
-0.00055
-0.00055
-0.00055
-0.00211
-0.00211
-0.00211
4. Iterasi
Inisial Bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
Bobot Lama
0.18917672
0.69572062
0.28519505
0.29941783
0.49941783
0.19941783
-0.8021297
0.09787031
-0.2021297
e2
0.0001168095
0.0000181126
0.0002187671
0.0000003031
0.0000003031
0.0000003031
0.0000044476
0.0000044476
0.0000044476
0.0000408824
3.
ITERASI KETIGA
a. Inisialisasi bobot
0.17836887
0.69146473
0.27040427
0.29886726
0.49886726
0.19886726
-0.8042386
0.09576137
-0.2042386
w35
w45
w05
w13
w23
w03
w14
w24
w04
b. Langkah Aktivasi
Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner.
1. Menghitung keluaran pada neuron hidden layer
v3
y3
v4
y4
0.99660
2
0.73039
0.91272
0.28644
4
0.59874
9
0.64537
-0.64537
3. Perbaharui Bobot
Gradien Error Pada Non Hidden Layer
5
-0.1477
-0.00052
-0.00209
4.
Bobot Lama
0.17836887
0.69146473
0.27040427
0.29886726
0.49886726
0.19886726
-0.8042386
0.09576137
-0.2042386
ITERASI KEEMPAT
a. Inisialisasi bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
0.167581
0.687234
0.255634
0.298348
0.498348
0.198348
-0.80633
0.093674
-0.20633
e2
0.0001163846
0.0000179006
0.0002181655
0.0000002692
0.0000002692
0.0000002692
0.0000043578
0.0000043578
0.0000043578
0.0000407035
b. Langkah Aktivasi
Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner.
1. Menghitung keluaran pada neuron hidden layer
v3
0.99504
5
y3
0.73008
v4
-0.91898
y4
0.28516
6
2. Menghitung keluaran pada non hidden layer
v5
y5
e5
0.573958
0.639676
-0.63968
3. Perbaharui Bobot
Gradien Error Pada Non Hidden Layer
5
-0.14744
0.000487
0.002065
4. Iterasi
Berikut adalah hasil bobot baru dan nilai MSE pada iterasi keempat.
Inisial Bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
5.
Bobot Lama
0.1675807
0.68723383
0.25563385
0.29834845
0.49834845
0.19834845
-0.8063262
0.09367384
-0.2063262
e2
0.0001158701
0.0000176776
0.0002173835
0.0000002692
0.0000002692
0.0000002371
0.0000043578
0.0000043578
0.0000042662
0.0000405209
ITERASI KELIMA
a. Inisialisasi bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
0.156816
0.683029
0.24089
0.29783
0.49783
0.197862
-0.80841
0.091586
-0.20839
b. Langkah Aktivasi
Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner.
1. Menghitung keluaran pada neuron hidden layer
v3
y3
v4
y4
0.99352
1
0.72978
3
-0.92522
0.28389
6
0.54924
1
0.63395
9
-0.63396
3. Perbaharui Bobot
Gradien Error Pada Non Hidden Layer
5
-0.14711
-0.00045
-0.00204
-0.00418
w05
-0.01471
Bobot Lama
0.1568164
0.68302936
0.24088992
0.29782965
0.49782965
0.19786155
-0.8084137
0.09158632
-0.2083916
e2
0.0001152634
0.0000174430
0.0002164235
0.0000002070
0.0000002070
0.0000002070
0.0000041730
0.0000041730
0.0000041730
0.0000402522
6. ITERASI KEENAM
a. Inisialisasi bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
0.14608
0.678853
0.226179
0.297375
0.497375
0.197407
-0.81046
0.089544
-0.21043
b. Langkah Aktivasi
Fungsi aktivasi yang diggunakan adalah fungsi sigmoid biner.
1. Menghitung keluaran pada neuron hidden layer
v3
0.99215
6
y3
0.72951
4
v4
-0.93135
y4
0.28265
1
2. Menghitung keluaran pada non hidden layer
v5
y5
e5
0.52462
5
0.62822
9
-0.62823
3. Perbaharui Bobot
Gradien Error Pada Non Hidden Layer
5
-0.014673
0.000423
-0.00202
w45
-0.00415
w05
-0.01467
7.
Bobot Lama
0.14608032
0.67885287
0.22617858
0.29737471
0.49737471
0.19740662
-0.8104565
0.08954352
-0.2104344
ITERASI KETUJUH
a. Inisialisasi bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
0.135376
0.674706
0.211506
0.296952
0.496952
0.196984
-0.81248
0.087524
-0.21245
e2
0.0001145749
0.0000171999
0.0002152895
0.0000001789
0.0000001789
0.0000001789
0.0000040788
0.0000040788
0.0000040788
0.0000399819
b. Langkah Aktivasi
Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner.
1. Menghitung keluaran pada neuron hidden layer
v3
0.99088
7
y3
0.72926
3
v4
-0.93741
y4
0.28142
5
2. Menghitung keluaran pada non hidden layer
v5
y5
e5
0.50011
0.62248
5
-0.62249
3. Perbaharui Bobot
Gradien Error Pada Non Hidden Layer
5
-0.14628
-0.000391
-0.01996
-0.00412
w05
-0.01463
4. Iterasi
Inisial Bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
Bobot Lama
0.13537636
0.6747056
0.21150583
0.29695177
0.49695177
0.19698367
-0.8124761
0.0875239
-0.2124541
8. ITERASI KEDELAPAN
a. Inisialisasi bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
0.124709
0.670589
0.196878
0.296433
0.496561
0.196593
-0.81456
0.085528
-0.21445
b. Langkah Aktivasi
Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner.
1. Menghitung keluaran pada neuron hidden layer
v3
y3
v4
0.989586
0.729006
-0.94349
e2
0.0001138027
0.0000169476
0.0002139853
0.0000002692
0.0000001529
0.0000001529
0.0000043578
0.0000039837
0.0000039837
0.0000397373
y4
0.280197
0.475688
y5
0.616729
e5
-0.61673
3. Perbaharui Bobot
Gradien Error Pada Non Hidden Layer
5
-0.14578
Gradien Error Pada Hidden Layer
3
-0.000359
4
-0.01972
Koreksi Bobot Pada Non-Hidden Layer
w35
-0.01063
w45
-0.00408
w05
-0.01458
-0.00052
-0.00052
-0.00036
-0.00209
-0.00209
-0.00197
4. Iterasi
Inisial Bobot
w35
w45
w05
w13
w23
w03
w14
w24
w04
Bobot Lama
0.12470852
0.67058886
0.1968776
0.29643297
0.49656078
0.19659268
-0.8145636
0.08552799
-0.21445
e2
0.0001129411
0.0000166846
0.0002125149
0.0000002692
0.0000002692
0.0000001290
0.0000043578
0.0000043578
0.0000038874
0.0000394901
Kesimpulan :
Dengan hasil iterasi menggunakan back propagation diatas didapatkan bahwa MSE <
0.001 untuk setiap iterasi. Untuk pemilihan bobot yang digunakan dalam
memprediksi output, maka akan dilihat berdasarkan nilai MSE yang terkecil untuk
setiap iterasi. Berikut hasil MSE untuk setiap iterasi:
No
Iterasi
MSE
1
Iterasi 1
0.0000410296
0.0000408824
2
Iterasi 2
3
Iterasi 3
0.0000407035
4
Iterasi 4
0.0000405209
5
Iterasi 5
0.0000402522
6
Iterasi 6
0.0000399819
7
Iterasi 7
0.0000397373
8
Iterasi 8
0.0000394901
Berdasarkan hasil diatas, maka pembobotan akan dilakukan berdasarkan nilai pada
iterasi ke-8 karena nilai MSE nya merupakan nilai terkecil dari setiap iterasi.