Algoritma Delta Learning Rule

Detil step pelatihan

0. inisialisai a dan Emax. Nilai a dan
Emax harus lebih besar dari 0
1. Inisialisasi nilai bobot w dan error E di
set 0
2. Jika stop condition belum terpenuhi, jalankan
step 3 - 9
3. Untuk setiap data training lakukan step 4 - 8
Umpan Maju (feedforward)
4. Setiap unit input menerima sinyal input xi dan
menyebarkan sinyal tersebut pada seluruh unit pada
unit output. Input xi yang dipakai adalah input data
latih yang sudah diskalakan, sesuai fungsi aktivasi
yang digunakan
5. Setiap unit output menjumlahkan sinyal input yang
sudah berbobot, termasuk bias nya
𝑦𝑖𝑛𝑗 = 𝑛𝑖=1 𝑥𝑖 𝑤𝑖𝑗
dan memakai fungsi aktivasi yang telah ditentukan
untuk menghitung sinyal output dari unit output yang
bersangkutan.
lalu mengirim sinyal output pada seluruh unit
Pembaharuan bobot (adjustment) dan bias
6. Menghitung perubahan bobot dari setiap unit input ke unit output
∆𝑤𝑖𝑗 = 𝑎(𝑦𝑗 -𝑡𝑗 )𝑥𝑖
7. Setiap unit output akan memperbarui bias dan bobotnya dari setiap
unit input
𝑤𝑖𝑗 (baru) = 𝑤𝑖𝑗 (lama) + ∆𝑤𝑖𝑗
Perhitungan total Error
8. Menghitung error dengan menambahkan error yang sekarang ke
variabel E
1
𝐸 = 𝐸 + (𝑦𝑗 − 𝑡𝑗 )2
2
9. Memeriksa Stop Condition
Jika E < Emax maka stop condition terpenuhi dan pelatihan selesai
Jika E > Emax maka E diset 0 dan putaran pelatihan baru dimulai
lagi dengan kembali ke step 3
Contoh : aplikasi delta learning
rule pada logika “and”

W1= 0.1(inisialisasi
X1 random)

W2= -0.2 (inisialisasi random)

X2