p = [-1 -1 2 2;0 5 0 5]; % Memasukan Data Output Target t = [-1 -1 1 1]; % Membuat Multy Layer Neural Network net = newff(minmax(p),[3,1],{'tansig','purelin'},'traingd'); % Membangkitkan Bobot Awal dari Matlab % Bobot dari Input Layer ke Hidden Layer net.IW{1,1}
>> % Bobot dari Hidden Layer ke Output Layer
net.LW{2,1}
>> % Membangkitkan Bias Awal dari Matlab
% Bias pada Hidden Layer net.b{1}
>> % Bias pada Output Layer
net.b{2}
>> % Melakukan Step ACTIVATION Menggunakan SIM
a = sim(net,p)
>> % Melihat Error dan Performance sekaligus
[a,Pf,Af,e,Perf] = sim(net,p,[],[],t)
>> % Melakukan TRAINING menggunakan Train
>> net = train(net,p,t)
>> % Melihat hasil pada Epoch 100 (Belum Menemukan Hasil)
[a,Pf,Af,e,Perf] = sim(net,p,[],[],t)
>> % menentukan batasan Proses yang akan dilakukan
% Batasan proses pengulangan sampai 5000 epochs
>> net.trainParam.epochs = 5000;
% Dilihatkan per 500 epochs net.trainParam.show = 500; >> net.trainParam.show = 500; % Proses pengulangan sampai error = 0.001 net.trainParam.goal = 0.001 >> % Melakukan Training selanjutnya sampai menemukan hasil % Sesuai batasan yang diberikan net = train(net,p,t)
>> % Melihat hasil pada saat performance ditemukan
[a,Pf,Af,e,perf] = sim(net,p,[],[],t)
>> % Menguji dengan Data Baru (Uji)
% memasukan data Input (Uji) p1 = [2 -1 2 -1;5 0 0 5]; % memasukan data target (uji) t1 = [1 -1 1 -1]; % melakukan Simulasi menggunakan data Uji berdasarkan hasil Training [a,Pf,Af,e,perf] = sim(net,p1,[],[],t1)