MAKALAH

JARINGAN SYARAF TIRUAN BACKPROPAGATION

Diajukan Untuk Memenuhi

Salah Satu Mata Kuliah Pemodelan Simulasi

Dosen :Ir.Bambang Siswoyo M.Si.

Disusun Oleh :

10114345 Disca Amelia

Kelas : MOSI 7

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

2017
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
2.1. 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.

2.2. Arsitektur JST Backpropagation

Contoh Arsitekstur JST Backpropagation dengan:
unit masukkan
unit layer tersembunyi
unit keluaran

Layer Masukan Layer Tersembunyi Layer Keluaran

2.3. Fungsi Aktifasi
Fungsi aktifasi yang digunakan pada backpropagation yaitu sigmoid biner dan sigmoid
bipolar.

2.4. Algoritma Pelatihan Backpropagation

Algoritma Pelatihan Backpropagation dengan satu layer tersembunyi dan dengan
menggunakan fungsi aktivasi sigmoid biner. Pelatihan BP meliputi 3 fase: i) fase
propagsi maju (feedforward) pola pelatihan masukan. Pola masukan dihitung maju mulai
dari layer masukan hingga layer keluaran dengan fungsi aktivasi yang ditentukan; ii) fase
propasi mundur (backpropagation) dari error yang terkait. Selisih antara keluaran dan
target merupakan kesalahn yang terjadi. Kesalahan tersebut dipropagasi mundur, dimulai
dari garis yang berhubungan langsung dengan unit-unit dilayar keluaran; iii) fase
modifikasi bobot.

i) Fase propagasi maju

Selama propagasi maju, sinyal masukan (x1) dipropagasikan ke layer tersembunyi
menggunakan fungsi aktivasi yang ditentukan. Keluaran dari unit tersembuyi (Zj)
tersebut selanjutnya dipropagasi maju lagi ke layer tersembunyi berikutnya dengan
fungsi aktivasi yang telah ditentukan. Dan seterusnya hingga menghasilkan keluaran
jaringan (yk).
Berikutnya, keluaran jaringan (yk) dibandingkan dengan target yang harus dicapai (tk).

Selisih tk yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas
toleransi yang ditentukan, maka iterasi dihentikan. Jika kesalahan masih lebih besar dari
batas toleransi, maka bobot setiap garis dari jaringan akan dimodifikasi untuk
mengurangi kesalahan

ii) Fase Propagasi Mundur

Berdasarkan kesalahan tk yk dihitung faktor k (k= 1, ..., m) yang dipakai untuk
mendistribusikan kesalahan di unit Yk ke semua unit tersembunyi yang terhubung
langsung dengan Yk. k juga dipakai untuk mengubah bobot garis yang berhubungan
langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor j di setiap layer tersembunyi sebagai dasar
perubahan bobot semua garis yang berasal dari unit tersembunyi di layer di bawahnya.
Dan seterusnya hingga semua faktor di unit tersembunyi yang terhubung langsung
dengan unit masukan dihitung.

iii) Fase Modifikasi Bobot

Setelah semua faktor dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan
bobot suatu garis didasarkan atas faktor neuron di layer atasnya. Sebagai contoh,
perubahan bobot garis yang menuju ke layer keluaran didasarkan atas k yang ada di unit
keluaran

Ketiga fase tersebut diulang-ulang hingga kondisi penghentian dipenuhi. Umumnya

kondisi penghentian yang sering dipakai adalah jumlah interasi atau kesalahan. Iterasi
akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum
iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas
toleransi yang ditetapkan.
 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 unit keluaran berdasarkan kesalahan setiap unit keluaran yk
(k=1,2,3.)
 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

2.5. 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.

2.6. 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

2.7. Implementasi JST Backpropagation

1. 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, diakses
tanggal 23 Mei 2011).
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).