>> % Memasukan Data Training

% Memasukan Data Input

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)