PEMODELAN SIMULASI
OLEH
10114281 M. Ariq Fakhrizal
perambatan forward
perambatan backward
1. Lapisan masukan (input layer) Input layer sebanyak 1 lapis yang terdiri
dari neuron neuron input, mulai dari neuron input pertama sampai neuron input
ke-n. Input layer merupakan penghubung yang mana lingkungan luar memberikan
sebuah pola kedalam jaringan saraf. Sekali sebuah pola diberikan kedalam input
layer, maka output layer akan memberikan pola yang lainnya (Heaton, 2008).
Pada intinya input layer akan merepresentasikan kondisi yang dilatihkan kedalam
jaringan. Setiap input akan merepresentasikan beberapa variabel bebas yang
memiliki pengaruh terhadap output layer.
3. Lapisan keluaran (output layer) Output layer berjumlah satu lapis yang
terdiri dari neuron-neuron output mulai dari neuron output pertama sampai neuron
output ke-m. Output layer dari jaringan saraf adalah pola yang sebenarnya
diberikan oleh lingkungan luarnya (external environment). Pola yang diberikan
output layer dapat secara langsung ditelusuri kembali ke input layernya. Jumlah
dari neuron output tergantung dari tipe dan performa dari jaringan saraf itu
sendiri.
3. Fase III: Perubahan bobot Pada fase ini, bobot semua garis
dimodifikasi secara bersamaan. Ketiga fase tersebut diulang- ulang terus hingga
kondisi penghentian dipenuhi. Kondisi penghentian yang sering dipakai adalah
jumlah maksimal iterasi (epoch) atau minimal kesalahan (error).
3. Algoritma Backpropagation (Contoh)
Berikut adalah algoritma pelatihan Backpropagation dengan arsitektur satu hidden
layer (Fausset, 1994):
Langkah 1 Jika kondisi berhenti masih belum terpenuhi, lakukan langkah 2-9.
Feedforwad
(10)
Zj = f(Z_inj) (11)
Dan kirimkan sinyal ini ke semua neuron yang berada pada lapisan
diatasnya (output neuron). Gambar berikut merupakan ilustrasi
bagaimana sinyal dipropagasikan keseluruh hidden layer.
merupakan bobot penghubung pada hidden layer.
= + (21)
Setiap hidden neuron (, = 1,,) mengupdate bias dan bobot -
bobotnya (i= 0, . . ., n)
= + (22)
Gambar 15 sampai dengan gambar 20 merupakan ilustrasi dari proses
pengupdate-an bobot:
Z1 Z2 Z3
X1 = 4 -1 0.75 -0.25
X2 = 7 0.4 0.23 0.11
X3 =11 0.17 0.05 -0.18
X4 = 6 0.29 0.55 0.03
X5 = 21 0.21 1 0.15
B=1 0.2 -0.8 1
Y
Z1 0.1
Z2 0.03
Z3 0.5
B =1 0.1
Normalisasi data input kedalam range [0, 1] dengan menggunakan rumus berikut:
(Siang, 2004)
Keterangan:
x = x sebelum dinormalisasi
Maka didapatkan hasil input normalisasi dengan nilai minimum = 4 dan nilai
maksimum = 21.
Hitung nilai output dari masing-masing hidden neuron dengan persamaan (10):
_ = 0 + = XiVij
1 = 1 0.2 + 0.1 1 + 0.24 0.4 + 0.33 0.17 + 0.19 0.29 + 0.9 0.21
= 1.48
2 = 1 (0.8) + 0.1 (0.75) + 0.24 (0.23) + 0.33 (0.05) + 0.19 (0.55) + 0.9 (1)
= (0.8) + (0.75) + 0.552 + 0.165 + 0.104+ (0.9)
= 1.67
3 = 1(1) + 0.1 (0.25) + 0.24 (0.11) + 0.33 (0.18) + 0.19 (0.03) + 0.9 (0.15)
= 1 + (0.25) + 0.026 + (0.059) + 0.006+ 0.135
= 0.86
Zj = f (Z_inj) =
Z1 = = 1.23
Z2 = = 1.19
Z3 = = 1.42
Hitung nilai output dari neuron Y menggunakan persamaan (12) seperti berikut:
_ = 0 + =
= () = = = 1.38
= ( ) (_) = ( ) (1 )
= (1 1.38) ( 1.38 ) ( 1 1.38 )
= 0.20
= ; = 0,13
_ =
_ = 1
_1 = (0.20) (0.1) = 0.20
_2 = (0.20) (0.03) = 0.01
_3 = (0.20) (0.5) = 0.1
= _(_) = _ (1 )
1 = (0.20) (1.23) (1 1.23) = 0.06
2 = (0.01) (1.19) (1 1.19) = 0.002
3 = (0.1) (1.42) (1 1.42) = 0.06
Z1 Z2 Z3
X1 11 21 31
= (0.25) (0.06) (0.1) = (0.25) (0.002) (0.1) = (0.25) (0.06) (0.1)
= 0.0015 = 0.00005 = 0.0015
X2 12 22 32
= (0.25) (0.06) (0.24) = (0.25) (0.002) (0.24) = (0.25) (0.06) (0.24)
= 0.004 = 0.0012 = 0.004
X3 13 23 33
= (0.25) (0.06) (0.33) = (0.25) (0.002) (0.33) = (0.25) (0.06) (0.33)
= 0.005 = 0.000165 = 0.005
X4 14 24 34
= (0.25) (0.06) (0.19) = (0.25) (0.002) (0.19) = (0.25) (0.06) (0.19)
= 0.003 = 0.000095 = 0.003
X5 15 25 35
= (0.25) (0.06) (0.9) = (0.25) (0.002) (0.9) = (0.25) (0.06) (0.9)
= 0.001 = 0.00045 = 0.01
B=1 10 20 30
= (0.25) (0.06) (1) = (0.25) (0.002) (1) = (0.25) (0.06) (1)
= 0.02 = 0.0005 = 0.02
() = () + = 1; = 0,,3
11 () = (0.1) + (0.01) = (0.11)
() = () + = 1; = 0,,5
Z1 Z2 Z3
X1 11 (baru) 21 (baru) 31
= (-1) + (0.0015) = (0.75) + (0.00005) = (0.25) + (0.0015)
= 1.0015 = 0.75 = 0.25
X2 12 22 32
= (0.4) + (0.004) = (0.23)+(0.0012) = (0.11) + (0.004)
= 0.40 = 0.23 = 0.11
X3 13 23 33
= (0.17) + (0.005) = (0.055)+ (0.000165) = (-0.18) + (0.005)
= 0.17 = 0.55165 = 0.18
X4 14 24 34
= (0.29) + (0.003) = (0.55) + (0. 000095) = (0.03) + (0.003)
= 0.29 = 0.55 = 0.3
X5 15 25 35
= (0.21) + (0.01) = 1 + (0.00045) = (0.15) + (0.01)
= 0.001 = 0.9995 = 0.15
B=1 10 20 30
= (0.2) + (0.02) = (-0.8) + (0.0005) = (1) + (0.02)
= 0.18 = 0.8 = 0.98
Ulangi iterasi hingga maksimal epoch atau Error Jaringan Error target.