ARTIFICIAL INTELLEGENCE

Dosen Pengampu: Reza Ade Putra, M.Cs

ARTIFICIAL NEURAL NETWORK BACKPROPAGATION

Disusun Oleh :

Pegi Rahayu (1645400108) 1654 B

Sri Maryani (1655400132) 1654 B
Vernanda (1645400136) 1654 B
Walia (1635400137) 1654 B
Zeni Rahma Anggia Putri (1635400141) 1654 B

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI
UIN RADEN FATAH
PALEMBANG
2019
 KATA PENGANTAR

Puji syukur kami panjatkan kepada kehadirat Allah Swt., karena

dengan rahmat dan karunia-Nya kami dapat menyajikan tugas Makalah
tentang “ARTIFICAL NEURAL NETWORK BACKPROPAGATION” ini.

Makalah ini kami buat dengan maksud untuk melaksanakan

tugas kami mengenai ARTIFICAL NEURAL NETWORK
BACKPROPAGATION, kami juga berharap dalam penyusunan bentuk
makalah kami ini akan memberi banyak manfaat dan memperluas ilmu
pengetahuan kita semua meskipun di dalam penyusunan makalah kami
ini mungkin masih belum sempurna serta terdapat kesalahan, kami
mohon untuk bimbingan, kritik serta saran yang bersifat membangun
agar makalah kami ini menjadi lebih baik lagi.

Akhir kata, semoga makalah ini dan usaha kami merupakan

murni dari-Nya dan berguna bagi semua, dan jika terdapat kesalahan
dalam makalah ini kami mohon maaf dan kepada ALLAH Swt. kami
mohon ampun.
 DAFTAR ISI

1. Pendahuluan

1.1. Pengertian

1.2. Sejarah

1.3. Kelebihan dan Kekurangan

2. Dasar Teori

2.1. Neural Network

2.2. Artificial Neuron

2.3. Weight, Output & Error

2.4. Neural System

2.5. Multi Layer Neural Network

3. Aplikasi algoritma/metode/topik

3.1. Arsitektur ANN Backpropagation

3.2. Fungsi Aktivitasi

3.3. Algoritma Backpropagation

3.4. Implementasi ANN Backpropagation

4. Kesimpulan
 PENDAHULUAN

1.1. Pengertian

Cabang ilmu kecerdasan buatan cukup luas, dan erat kaitannya

dengan disiplin ilmu yang lainnya. Hal ini bisa dilihat dari berbagai
aplikasi yang merupakan hasil kombinasi dari berbagai ilmu. Seperti
halnya yang ada pada peralatan medis yang berbentuk aplikasi.
Sudah berkembang bahwa aplikasi yang dibuat merupakan hasil
perpaduan dari ilmu kecerdasan buatan dan juga ilmu kedokteran
atau lebih khusus lagi yaitu ilmu biologi.

Neural Network merupakan kategori ilmu Soft Computing. Neural

Network sebenarnya mengadopsi dari kemampuan otak manusia
yang mampu memberikan stimulasi/rangsangan, melakukan proses,
dan memberikan output. Output diperoleh dari variasi stimulasi dan
proses yang terjadi di dalam otak manusia. Kemampuan manusia
dalam memproses informasi merupakan hasil kompleksitas proses di
dalam otak. Misalnya, yang terjadi pada anak-anak, mereka mampu
belajar untuk melakukan pengenalan meskipun mereka tidak
mengetahui algoritma apa yang digunakan. Kekuatan komputasi
yang luar biasa dari otak manusia ini merupakan sebuah keunggulan
di dalam kajian ilmu pengetahuan.

Fungsi dari Neural Network diantaranya adalah:

1. Pengklasifikasian pola
2. Memetakan pola yang didapat dari input ke dalam pola baru
pada output
3. Penyimpan pola yang akan dipanggil kembali
4. Memetakan pola-pola yang sejenis
5. Pengoptimasi permasalahan
6. Prediksi
 Backpropagation merupakan salah satu bagian dari Neural
Network. Backpropagation merupakan metode pelatihan terawasi
(supervised learning), dalam artian mempunyai target yang akan
dicari. ciri dari Backpropagation adalah meminimalkan error pada
output yang dihasilkan oleh jaringan. dalam metode backpropagation,
biasanya digunakan jaringan multilayer.

Jaringan multilayer yang dimaksud adalah layer yang terdiri dari

input layer (layer masukan), hidden layer (layer tersembunyi), output
layer (layer keluaran). Dalam pengembangannya, hidden layer dapat
terdiri dari satu atau lebih unit hidden layer.

1.2. Sejarah

Awal dari Jaringan Saraf Tiruan dimulai pada tahun 1940an.

Jaringan Saraf Tiruan pertama dirancang oleh Warren McCulloch dan
Walter Pitts pada tahun 1943 yang dikenal dengan McCulloch-Pitts
neurons. Peneliti ini menyadari bahwa dengan menggabungkan
banyak neuron sederhana menjadi sistem saraf adalah sumber
peningkatan kemampuan berhitung

Donald Hebb merancang hukum pembelajaran pertama untuk

Jaringan Saraf Tiruan yang dikenal dengan Hebb Learning. Pemikiran
dia adalah jika dua neuron aktif secara bersamaan maka kekuatan
koneksi antara neuron seharusnya bertambah.
 Pada tahun 1950-an dan 1960-an, Jaringan Saraf Tiruan
memasuki masa keemasannya. Dimulai oleh Frank Rosenblatt
bersama beberapa peneliti lainnya mengenalkan dan
mengembangkan sekumpulan besar Jaringan Saraf Tiruan yang
disebut perceptrons. Aturan pembelajaran perceptronsmenggunakan
pengulangan untuk penyesuaian bobot yang lebih efektif daripada
aturan Hebb.

Bernard Widrow dan muridnya, Marcian (Ted) Hoff [Widrow-Hoff,

1960], mengembangkan aturan pembelajaran yang berhubungan
dekat dengan aturan pembelajaran perceptron. Aturan ini
menyesuaikan bobot untuk mengurangi perbedaan antara net input
ke unit output yang diharapkan. Aturan pembelajaran Widrow-Hoff
untuk single-layer network adalah pelopor dari aturan
backpropagation untuk multilayer nets. Jaringan ini disebut juga
ADALINE yang diinterpretasi dari Adaptive Linear Neuron atau
Adaptive Linear System.

Pada tahun 1970-an pengembangan Jaringan Saraf Tiruan

memasuki masa sunyi, karena ada demonstrasi dari Minsky dan
Papert dari terbatasnya perceptrons (contohnya single-layer nets)
yang tidak mampu menyelesaikan masalah sederhana seperti XOR
dan kurangnya metode umum untuk melatih jaringan multilayer net.
Walaupun begitu penelitian untuk Jaringan Saraf Tiruan masih
berlanjut. Banyak dari pemimpin – pemimpin yang mulai
mempublikasikan pekerjaan mereka, seperti Kohonen, Anderson,
Grossberg, dan Carpenter.

Pada tahun 1980-an antusias dari peneliti kembali terbentuk,

karena ditemukannya metode baru untuk menyelesaikan masalah
XOR tersebut yaitu metode backpropagation. Metode ini berguna
untuk menyebarkan informasi tentang kesalahan – kesalahan pada
unit outputkembali ke unit hidden. Tokoh kunci lain yang membuat
antusias dari peneliti kembali adalah John Hopfield. Bersamaan
dengan David Tank, Hopfield mengembangkan beberapa Jaringan
 Saraf Tiruan berdasarkan bobot tetap dan aktifasi yang dapat
beradaptasi. Selain itu juga ada Neocognition yang ditemukan oleh
Kunihiko Fukushima dan teman – temannya.

1.3. Kelebihan dan Kekurangan

a. Kelebihan

 Mampu mengakuisisi pengetahuan walau tidak ada

kepastian.
 Mampu melakukan generalisasi dan ekstraksi dari suatu
pola data tertentu.
 Dapat menciptakan suatu pola pengetahuan melalui
pengaturan diri atau kemampuan belajar (self organizing).
 Memiliki fault tolerance, gangguan dapat dianggap
sebagai noise saja.
 Kemampuan perhitungan secara paralel sehingga proses
lebih singkat.

b. Kekurangan

 Kurang mampu untuk melakukan operasi operasi

numerik dengan presisi tinggi.
 Kurang mampu melakukan operasi algoritma aritmatik,
operasi logika dan simbolis.
 Lamanya proses training yang mungkin terjadi dalam
waktu yang sangat lama untuk jumlah data yang besar.
 DASAR TEORI

2.1. Neural Network

Neural Network merupakan suatu metode Artificial Intelligence

yang konsepnya meniru sistem jaringan syaraf yang ada pada tubuh
manusia, dimana dibangun node – node yang saling berhubungan
satu dengan yang lainnya. Node – node tersebut terhubung melalui
suatu link yang biasa disebut dengan istilah weight. Ide dasarnya
adalah mengadopsi cara kerja otak manusia yang memiliki ciri – ciri
pararel processing, processing element dalam jumlah besar dan fault
tolerance.

Menurut Haykin (1999,p2), jaringan syaraf tiruan (Artificial

Neural Network) adalah sejumlah besar prosesor yang terdistribusi
secara pararel dan terdiri dari unit pemrosesan sederhana, dimana
masing – masing unit memiliki kecenderungan untuk menyimpan
pengetahuan yang dialami dan dapat digunakan kembali.
Jaringan syaraf tiruan menyerupai otak manusia dengan dua
cara :

a. Pengetahuan yang diperoleh jaringan dari lingkungannya

melalui proses pembelajaran.
b. Kekuatan hubungan antar neuron, dikenal dengan istilah
synapticweights, dan digunakan untuk menyimpan
pengetahuan yang diperoleh.

Neural Network sendiri pun dibagi – bagi kembali menjadi

beberapa bagian yang lebih kecil, dimana masing – masing metode
mempunyai karakteristiknya sendiri – sendiri, serta memiliki
keunggulan dan kelemahan dalam mengenali suatu pola. Metode –
metode tersebut diantaranya adalah : Back Propagation (yang
dibahas dalam skripsi ini), Bidirectional Assosiate Memory atau lebih
dikenal dengan istilah BAM, HopfieldNetwork, Counter Propagation
Network dan masih banyak metode – metode lainnya yang sudah atau
sedang dikembangkan oleh para ahli. Pada umumnya neural network
dibagi berdasarkan layer – layer yaitu input layer, hidden layer dan
output layer. Setiap node pada masing – masing layer memiliki suatu
error rate, yang akan digunakan untuk proses training. Neural
network dengan layer – layer memiliki konsep kerja sebagai berikut :
Input layer menunggu user memasukan input ke masing – masing
node nya, setelah masing – masing node di input layer memperoleh
data yang dibutuhkan maka akan dikalikan dengan weight-nya
menghasilkan sum (jumlah) atau yang lebih dikenal dengan
akumulator dengan rumus NET = O1W1 + O2W2 + ... + OnWn = Σ
OiWi, lalu akumulator tersebut akan dimasukan kedalam Fungsi
Aktivasi yang digunakan, rumusnya adalah OUT = F ( NET ), untuk
Back Propagationumumnya menggunakan fungsi sigmoid biner dan
fungsi sigmoid bipolar.

Pada kenyataannya (kebiasaannya), kebanyakan neural system

harus diajari (training). Mereka akan mempelajari asosiasi, patterns,
dan fungsi yang baru. Pemakai-pemakai neural network tidak
menspesifikasikan sebuah algoritma untuk dieksekusi dalam setiap
perhitungan. Mereka akan memilih arsitektur tertentu dengan
pandangan mereka, dengan karakteristik neuron, weight, dan
memilih model training sendiri. Sehingga dari hasil tersebut,
informasi network dapat diubah oleh para pemakai. Artificial Neural
Systemjuga dapat mengkalkulasi teknik matematik, seperti
minimalisasi kesalahan suatu perhitungan.

Neural network sangat berperan dalam teknologi dan beberapa

disiplin ilmu, yang membantu dalam menentukan model-model
neural network dan system non-linear dynamic. Matematika adalah
model neural yang paling berpotensi karena kekompleksan-nya.
Elektronika dan ilmu komputer juga menggunakan metode ini,
karena berperan dalam pengiriman sinyal data.
2.2. Artificial Neuron

Neuron adalah unit pemrosesan informasi yang merupakan dasar

dari operasi jaringan syaraf tiruan. Sel – sel syaraf tiruan ini
dirancang berdasarkan sifat – sifat dari neuron biologis. Sel syaraf
tiruan ini biasa disebut juga sebagai processing elements, unit atau
node.

2.3. Weight, Output dan Error

Hubungan antar node diasosiasikan dengan suatu nilai

yang disebut dengan bobot atau weight. Setiap node pasti
memiliki output, error dan weight-nya masing - masing.

Output merupakan keluaran dari suatu node. Error merupakan

tingkat kesalahan yang terdapat dalam suatu node dari proses yang
dilakukan. Weightmerupakan bobot dari node tersebut ke node yang
lain pada layer yang berbeda. Nilai weight berkisar antara -1 dan 1.

Bobot – bobot atau weight yang tersimpan di dalam jaringan

syaraf tiruan ini disebut sebagai bobot interkoneksi. Nilai bobot yang
baik akan memberikan keluaran yang sesuai, dalam arti mendekati
keluaran yang diharapkan (target output) untuk suatu input yang
diberikan.

Bobot awal dalam suatu jaringan syaraf tiruan biasanya diperoleh

secara random dan sebaiknya di inisialisasi dengan nilai yang relatif
kecil, yaitu berkisar antara -0,1 sampai 0,1 (Mitchell, 1997, p108).
Baru dalam tahap pelatihan, bobot tersebut akan mengalami
penyesuaian melalui suatu proses perhitungan matematik agar
tercapai nilai bobot yang sesuai.
2.4. Neural System

Pada dasarnya untuk membentuk suatu sistem neural, hanya

diperlukan 3 tahap, yaitu forward phase, backward propagation, dan
update weight.

 Node

Node adalah sebuah sel neuron yang di setiap nodenya

memiliki output, error, dan weight. Jadi di setiap node,
dimanapun itu pasti memiliki ketiga unsur tersebut.

Output merupakan keluaran (hasil) dari suatu node.

Errormerupakan tingkat kesalahan yang terdapat dalam suatu
node dari proses yang ia lakukan. Sedangkan weight merupakan
berat dari node tersebut ke node yang lain (beda layer), besarnya
weight adalah berkisar antara –1 sampai dengan 1.

 Input dan Hidden Layer

Input layer merupakan layer tempat sebuah input

dimasukkan (inisialisasi input), dan dari layer ini dilakukan
proses-proses selanjutnya. Hidden layer disini berfungsi untuk
membantu proses, semakin banyak hidden layer yang digunakan
maka semakin bagus dan semakin cepat pula didapat output
 yang diinginkan, tetapi waktu training akan semakin lama
(Mitchell, 1997, p115).

 Forward Propagation

Forward propagation bertujuan untuk menentukan output

dari suatu node. Output yang dimaksud di sini adalah output
dari output layer. Karena masing-masing node tersebut memiliki
output.

 Output Layer

Output layer adalah layer yang menampung hasil proses dari

suatu neural network. Forward propagation dilakukan untuk
mencari error di output layer.

 Training

Proses belajar suatu neural network terdiri dari proses

Forward, Backward, dan Update Weight. Sekali melewati 3 tahap
itu disebut dengan 1 kali training (1 cycle). Semakin banyak
training yang dilakukan maka akan semakin kecil pula tingkat
error yang dihasilkan di output layer-nya, dan dengan demikian
semakin kecil juga error suatu sistem.
 Menurut Rao (1995, p5), ada dua metode learning dalam
neural network, yaitu :

a. Supervised Learning

Supervised Learning adalah suatu metode dimana neural

networkbelajar dari pasangan data input dan target,
pasangan ini disebut training pair. Biasanya jaringan dilatih
dengan sejumlah training pair, dimana suatu input vektor
diaplikasikan, menghasilkan nilai di output, lalu hasil di
output tersebut akan dibandingkan dengan target output.
Selisihnya akan dikembalikan ke jaringan, dihitung error-nya,
melalui error ini akan didapatkan selisih yang terdapat di
weight-nya. Maka itu terdapat weightbaru yang cenderung
memiliki error yang lebih kecil, jadi akan didapat error yang
lebih minimum dari error yang pertama. Vektor – vektor
dalam training set diaplikasikan seluruhnya secara
berurutan, error dihitung, weight disesuaikan sampai
seluruh training set menghasilkan error yang sekecil –
kecilnya. Sebenarnya konsep ini belajar dengan
menggunakan konsep human brain.

Model Neural Network yang menggunakan metode

supervised learning diantaranya adalah sebagai berikut :

 Model Back Propagation

 Model Biderectional Associative Memory
 Hopfield Network

b. Non-Supervised (Unsupervised) Learning

Unsupervised Learning dianggap sebagai model dalam

konsep sistem biologis. Teori ini dikembangankan oleh
Kohonen (1984) dan beberapa ilmuwan lainnya. Dalam
 unsupervised learning tidak diperlukan target output,
training hanya terdiri dari vektor–vektor input, tanpa
pasangan target. Algoritma training merubah weight jaringan
untuk menghasilkan output yang konsisten. Aplikasi dari
vektor–vektor yang cukup serupa akan menghasilkan pola
output yang sama. Dengan demikian proses training akan
menghasilkan sifat–sifat statistik dalam bentuk
pengelompokan vektor–vektor dalam beberapa kelas. Dengan
mengaplikasikan suatu vektor dari suatu kelas sebagai input
akan menghasilkan vektor output yang spesifik.

2.5. Multi Layer Neural Network

a. Pengertian Multi Layer Neural Network

Multi Layer Neural Network adalah neural network yang

memiliki karakteristik multi layer dimana setiap node pada
suatu layer terhubung dengan setiap node pada layer di
depannya. Ber-arsitektur umpan maju atau (feed forward
network), menggunakan metode supervised learning.

Model ini merupakan model yang paling sering dipakai

dalam pengembangan sistem neural dan memiliki kinerja
yang sangat baik dalam sisi keakuratan. Model ini
mempunyai dua fase dalam pelatihannya yaitu fase forward
dan backward. Cara kerja jaringan ini adalah, setelah input
masuk ke input layer maka data akan diolah dan diteruskan
ke masing – masing bagian di depannya sampai ke output
layer. Nilai di output layer akan dibandingkan dengan nilai
target, lalu akan dihasilkan sinyal error bagi masing node di
output layer. Sinyal ini ditransmisikan balik
(backpropagation) dari lapisan keluaran ke masing – masing
sel pada lapisan sebelumnya.
 Umumnya operasi model jaringan ini terdapat dua
mekanisme kerja yaitu :

 Mekanisme latihan atau belajar (Training mode /

Learning Mode)

Pada mekanisme ini, jaringan akan dilatih untuk

dapat menghasilkan data sesuai dengan target yang
diharapkan melalui satu atau lebih pasangan pasangan
data (data input dan data target). Semakin lama waktu
latihan maka kinerja jaringan akan semakin baik.
Demikian juga dengan semakin banyak pasangan data
yang digunakan dalam pelatihan maka kinerja akan
semakin baik.

 Mekanisme produksi (Production Mode) atau biasa

disebut juga dengan mekanisme pengujian (Try Out
Mode)

Pada mekanisme ini, jaringan diuji apakah dapat

mengenali sesuai dengan yang diharapkan setelah
melalui proses pelatihan terlebih dahulu.

b. Back Propagation

Inti dari back propagation adalah untuk mencari error

suatu node. Dari hasil forward phase akan dihasilkan suatu
output, dari output tersebut, pastilah tidak sesuai target yang
di inginkan. Perbandingan kesalahan dari target yang di
inginkan dengan output yang dihasilkan disebut dengan
error.

Dalam Back Propagation juga dikenal istilah yang disebut

inisialisasi output. Inisialisasi output pada dasarnya adalah
menentukan error di suatu node dengan sebuah target yang
diinginkan. Karakteristik Back Propagation dapat diuraikan
sebagai berikut :

1. Node / processing element dan fungsi aktivas

 Kontinu
 Dapat dideferensiasikan/diteruskan
 Turunan fungsi mudah di hitung
 Fungsi aktivasi yang biasa digunakan adalah
fungsi sigmoid.

2. Topology

Terdiri dari satu lapisan masukan (input layer), satu

atau lebih lapisan tersembunyi (hidden layer), dan satu
lapisan keluaran (output layer). Setiap neuron /
processing element pada suatu lapisan mendapat sinyal
masukkan dari semua neuron pada lapisan sebelumnya
(beserta sinyal bias).

3. Learning Rule

Menggunakan delta rule atau error connection

learning rule.
 APLIKASI ALGORITMA DAN METODE

3.1. Arsitektur ANN Backpropagation

Contoh Arsitekstur ANN Backpropagation dengan:

 Unit masukkan
 Unit layer tersembunyi
 Unit keluaran

1 1

V10 W20 W10

V20
Vp0 Wm0
V11 Z1 W11 Y1
X1

V21 W21
Vp1
Wm1
V12 W12
X2 Z2 Y2
V22 W22
Vm2 Wm2

V1n W1p

V2m W2p
Xn Zp Ym
Vpn Wmp

Layer masukkan Layer tersembunyi Layer Keluaran

3.2. Fungsi Aktivasi

Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan
saraf untuk mengaktifkan atau tidak mengaktifkan neuron.
Karakteristik yang harus dimiliki oleh fungsi aktivasi jaringan
perambatan balik antara lain harus kontinyu, terdiferensialkan, dan
tidak menurun secara monotonis (monotonically non-decreasing).
Lebih lanjut, untuk efisiensi komputasi, turunan fungsi tersebut
mudah didapatkan dan nilai turunannya dapat dinyatakan dengan
fungsi aktivasi itu sendiri. Fungsi aktivasi yang di analisis adalah
sigmoid biner dan sigmoid bipolar. Fungsi aktivasi sigmoid biner
memiliki nilai pada range 0 sampai 1.
 Fungsi aktivasi sigmoid bipolar hampir sama dengan fungsi
sigmoid biner, hanya saja output dari fungsi ini memiliki range antara
1 sampai -1.

3.3. Algoritma Backpropagation

Backpropagationbekerja melalui proses secara iteratif dengan
menggunakan sekumpulan contoh data (data training),
membandingkan nilai prediksi dari jaringan dengan setiap contoh
data. Dalam setiap proses, bobot relasi dalam jaringan
dimodifikasi untuk meminimalkan nilai Mean Square Error(MSE)
antara nilai prediksi dari jaringan dengan nilai sesungguhnya.
Modifikasi relasi jaringan saraf tersebut dilakukan dalam arah
mundur, dari output layer hingga layer pertama dari hidden layer
sehingga metode ini disebut backpropagation.

1 1
V10 W20 W10
V20
Vp0 Wm0
X1 V11 Z1 W11 Y1

Vp1 V21 W2
Wm1 1
V12 W12
X2 V22 Z2 W22 Y2
Vm2 Wm2
V1n W1p
V2m W2p
Xn Vpn Zp Wmp Ym

 Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.

 Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan
langkah 2 sampai dengan 8.
 Langkah 2: Untuk setiap pasang data pelatihan, lakukan langkah 3
sampai dengan 8
Fase I: Propagasi Maju
 Langkah 3
Tiap unit masukkan menerima sinyal dan meneruskan ke unit
tersembunyi.
 Langkah 4
Hitung semua keluaran di unit tersembunyi (Zj):

 Langkah 5
Hitung semua jaringan di unit keluaran (yk).
Fase II : Propagasi Mundur
 Langkah 6
Hitung factor  unit keluaran berdasarkan kesalahan setiap
unit keluaran yk (k=1,2,3….)
k=(tk-yk) f’(y_netk)= (tk-yk) yk (1-yk)
 k merupakan unit kesalahan yang akan dipakai dalam
perubahan bobot layer dibawahnya (langkah 7)
Hitung suku perubahan bobot Wkj dengan laju perubahan α
Δwkj= α k zj ; k=1,2,3,…,m ; j=0,1,2,…,p
 Langkah 7
Hitung faktor  unit tersembunyi berdasarkan kesalahan di
setiap unit tersembunyi zj (j=1,2,3,…,p)

Faktor unit tersembunyi

j = _netj f’(z_netj)= _netj zj (1-zz)
Hitung suku perubahan bobot vji
Δvji=α jxi ; j=1,2,…,p ; i=0,1,2,…,n

Fase III : Perubahan Bobot

 Langkah 8
Perubahan bobot garis yang menuju unit keluaran
wkj (baru)= wkj (lama) + Δwkj
Perubahan bobot garis yang menuju ke unit tersembunyi
Vji (baru)= vji (lama) + Δvji
3.4. Implementasi ANN Backpropagation
1. Untuk Pengenalan Pola
Contoh : Implementasi Jaringan Saraf Tiruan
Backpropagation Pada Aplikasi Pengenalan Wajah Dengan
Jarak Yang Berbeda, Metode Jaringan Saraf Tiruan
Backpropagation untuk Pengenalan Huruf Cetak pada Citra
Digital.

2. Untuk Peramalan atau Perkiraan

Contoh : Implementasi Jaringan Saraf Tiruan
Backpropagation Untuk Meramalkan Harga Penjualan Crude
Palm Oil, Aplikasi Jaringan Syaraf Tiruan sebagai Metode
Alternatif Prakiraan Beban Jangka Pendek.
 KESIMPULAN

Backpropagation merupakan salah satu bagian dari Neural Network.

Backpropagation merupakan metode pelatihan terawasi (supervised
learning), dalam artian mempunyai target yang akan dicari.
Pada ANN Backpropagation, menggunakan hidden layer, supervised,
dan memiliki kemampuan pembelajaran. Penerapan ANN
Backpropagation biasanya digunakan untuk pengenalan pola & untuk
peramalan atau perkiraan. ANN Backpropagation menggunakan fungsi
aktifasi sigmoid biner dan sigmoid bipolar. Keunggulan utama ANN
adalah kemampuan komputasi yang pararel dengan cara belajar dari
pola-pola yang diajarkan.