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”