TUGAS DATA MINING

ARTIFICIAL NEURAL NETWORK

Disusun untuk memenuhi tugas mata kuliah

Data Mining

Oleh:
Sarah Indira
140610130059

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
JATINANGOR
2016
Diketahui suatu MLP (Multi-Layer Perceptron) yang digambarkan sebagai berikut:

Berdasarkan gambar, dapat dilihat bahwa terdapat input berupa X1 dan X2,
dimana pola dari input tersebut akan dipetakan melalui neural network ke dalam pola
baru pada output. Dalam kasus ini, terdapat satu input layer yang terdiri dari dua
neuron, yaitu neuron 1 dan neuron 2. Selanjutnya, dapat dilihat bahwa terdapat satu
hidden layer yang terdiri dua neuron, yaitu neuron 3 dan neuron 4. Terakhir, terdapat
satu output layer yang terdiri dari satu neuron, yaitu neuron 5. Masing-masing bobot
yang nantinya membentuk fungsi aktivasi ditandai dengan huruf w.
Untuk mengetahui fungsi aktivasi neuron maka dapat digunakan rumus
berikut:

=
=1

sedangkan untuk output dari neuron dapat dihitung dengan menggunakan rumus
berikut:
1
=
1 +
Untuk mendapatkan model yang cocok, maka akan dilakukan iterasi hingga
didapatkan model yang paling cocok. Tolak ukur untuk melihat apakah model sudah
cocok atau belum adalah MSE (Mean-Squared Error). Iterasi akan terus dilakukan
hingga nilai MSE < 0,001 atau ketika sudah mencapai iterasi ke-1.000.000.
Agar diperoleh bobot baru, maka akan dilakukan perbaharuan bobot yang
terdiri dari tiga langkah, yaitu:
1. Hitung gradient error pada non-hidden layer (dalam hal ini hanya neuron 5),
dengan menggunakan rumus:
=
 Lalu untuk neuron 3, neuron 4, dan neuron 5 akan dihitung:
= (1 )
2. Hitung koreksi bobot
Koreksi bobot akan dilakukan untuk setiap bobot yang terlibat dengan
menggunakan rumus:
=
3. Perbaharui bobot
Bobot baru yang akan digunakan untuk perhitungan dapat dihitung dengan
menggunakan rumus:
(+1) = +
Berikut hasil perhitungan untuk proses inisiasi awal:
Iterasi Ke-0
x1 1
x2 1
koreksi
Bobot v y e d
bobot
w13 0.3 -0.0006
w23 0.5 3 1 0.7311 -0.0058 -0.0006
w03 0.2 -0.0006
w14 -0.8 -0.0021
w24 0.1 4 -0.9 0.2891 -0.0213 -0.0021
w04 -0.2 -0.0021
w35 0.2 -0.0108
w45 0.7 5 0.6485 0.6567 -0.6567 -0.1480 -0.0043
w05 0.3 -0.0148

Sehingga diperoleh bobot baru sebagai berikut:

Bobot Bobot Bobot

w13 0.5960 w14 -1.6166 w35 0.3139
w23 0.9960 w24 0.1834 w45 1.3663
w03 0.3960 w04 -0.4166 w05 0.4821
Proses ini akan dilakukan sebanyak delapan kali (melakukan iterasi sebanyak delapan
kali), dimana hasil yang diperoleh ditunjukkan sebagai berikut:
Iterasi
Bobot
0 1 2 3 4 5 6 7 8
w13 0.3 0.299418 0.298867 0.298348 0.297862 0.297407 0.296984 0.296593 0.296234
w23 0.5 0.499418 0.498867 0.498348 0.497862 0.497407 0.496984 0.496593 0.496234
w03 0.2 0.199418 0.198867 0.198348 0.197862 0.197407 0.196984 0.196593 0.196234
w14 -0.8 -0.802130 -0.804239 -0.806326 -0.808392 -0.810434 -0.812454 -0.814450 -0.816422
w24 0.1 0.097870 0.095761 0.093674 0.091608 0.089566 0.087546 0.085550 0.083578
w04 -0.2 -0.202130 -0.204239 -0.206326 -0.208392 -0.210434 -0.212454 -0.214450 -0.216422
w35 0.2 0.189177 0.178369 0.167581 0.156816 0.146080 0.135376 0.124708 0.114080
w45 0.7 0.695721 0.691465 0.687234 0.683029 0.678853 0.674705 0.670588 0.666503
w05 0.3 0.285195 0.270404 0.255634 0.240890 0.226179 0.211506 0.196878 0.182300
MSE 0.000041 0.000041 0.000041 0.000040 0.000040 0.000040 0.000040 0.000039

Berdasarkan hasil perhitungan, nilai MSE = 0,000041 pada iterasi ke-1 sudah
menghasilkan nilai dibawah 0,001, sehingga bobot yang dihasilkan pada iterasi ke-1
dapat digunakan untuk memetakan pola baru pada output. Meskipun demikian, iterasi
tetap dicobakan hingga iterasi ke-8 yang menghasilkan nilai MSE yang semakin kecil,
yaitu MSE = 0,000039. Bobot yang dihasilkan pada penghitungan pun tidak jauh
berbeda dengan bobot yang dihasilkan pada iterasi ke-1.