Disusun Oleh :
1. Pendahuluan
1.1. Pengertian
1.2. Sejarah
2. Dasar Teori
3. Aplikasi algoritma/metode/topik
4. Kesimpulan
PENDAHULUAN
1.1. Pengertian
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.
1.2. Sejarah
a. Kelebihan
b. Kekurangan
Node
Forward Propagation
Output Layer
Training
a. Supervised Learning
b. Back Propagation
Kontinu
Dapat dideferensiasikan/diteruskan
Turunan fungsi mudah di hitung
Fungsi aktivasi yang biasa digunakan adalah
fungsi sigmoid.
2. Topology
3. Learning Rule
1 1
V21 W21
Vp1
Wm1
V12 W12
X2 Z2 Y2
V22 W22
Vm2 Wm2
V1n W1p
V2m W2p
Xn Zp Ym
Vpn Wmp
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 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)