Tahap Algoritma Backpropagation

Iterasi 1

Tabel 1 Data Biaya Konstruksi Rumah Tinggal

X1 X2 X3 Y
Luas
No Jumlah Biaya Konstruksi
bangunan Jumlah lantai
kamar Rp
(m2)
1 240,4 2 3 4.200.000.000
2 262,55 2 4 4.500.000.000
3 310,63 2 5 5.300.000.000
4 358,70 2 4 6.040.000.000
5 428,93 2 5 7.050.000.000

Tabel 2 Data Training

No X1 X2 X3 Y
1 240,40 2 3 4.200.000.000
2 262,55 2 4 4.500.000.000
3 310,63 2 5 5.300.000.000

Tabel 3 Data Training yang sudah dinormalisasi

No X1 X2 X3 Y
1 0,13 0,50 0,25 0,16
2 0,21 0,50 0,50 0,22
3 0,37 0,50 0,75 0,40

Tabel 4 Ambang
No X1 X2 X3 Y
min 200,00 1 2 3.500.000.000
max 500,00 3 6 8.000.000.000

1. Langkah Awal
>> Memberikan bobot acak dengan range -1 sampai 1

Tabel 5 Bobot Input ke Layer Tersembunyi

Z1 Z2 Z3 Z4
X1 0,2 0,3 -0,1 -0,3
X2 0,3 0,1 -0,1 -0,3
X3 0,1 0,2 0,2 -0,1
1 1 1 1 1
Tabel 6 Bobot Layer Tersembunyi ke Output
Y
Z1 -1
Z2 -0,5
Z3 -0,1
Z4 2
1 -1

Learning rate (ɳ)= 0,2

Fase I - Propagasi Maju

1. Operasi pada Hidden Layer - dari Input ke Hidden Layer

PERSAMAAN 1

>> Menjumlahkan bobot dengan Persamaan 1

Z1 1,202
Z2 1,140
Z3 0,987
Z4 0,785

PERSAMAAN 2

>> Mengaktifkan bobot dengan Persamaan 2

Z1 0,77
Z2 0,76
Z3 0,73
Z4 0,69
2. Operasi pada Output Layer - dari Hidden Layer ke Output

PERSAMAAN 3

>> Mengalikan bobot dengan Rumus Persamaan 3

y_net1 - 0,85

PERSAMAAN 4

>> Mengaktifkan bobot dengan rumus Persamaan 4

yk 0,30

Fase II - Propagasi Mundur

>> Menghitung faktor kesalahan dengan Persamaan 5
PERSAMAAN 5

error - 0,14
kuadrat error 0,02
δk - 0,03

>> Mengoreksi bobot pada unit k dengan persamaan 6

PERSAMAAN 6
 Δwb - 0,0061
Δw1 - 0,0047
Δw2 - 0,0046
Δw3 - 0,0044
Δw4 - 0,0042

>> Memperbaharui bobot dan prasikap dengan persamaan 7

PERSAMAAN 7

δ_net1 0,03
δ_net2 0,02
δ_net3 0,00
δ_net4 - 0,06

PERSAMAAN 8

δ1 0,00539107
δ2 0,00278432
δ3 0,00060015
δ4 - 0,01305398

>> Memperbaharui bobot tiap unit keluaran dengan Persamaan 9

PERSAMAAN 9

Δv10 0,00107821
Δv20 0,00055686
Δv30 0,00012003
Δv40 -0,00261080

Δv11 0,00014520
Δv21 0,00007499
Δv31 0,00001616
Δv41 -0,00035159
 Δv12 0,00053911
Δv22 0,00027843
Δv32 0,00006002
Δv42 -0,00130540

Δv13 0,00026955
Δv23 0,00013922
Δv33 0,00003001
Δv43 -0,00065270

>> Perubahan bobot awal input ke hidden Persamaan 10

PERSAMAAN 10

v10 baru 1,00107821

v20 baru 1,00055686
v30 baru 1,00012003
v40 baru 0,99738920

v11 baru 0,20014520

v21 baru 0,30007499
v31 baru - 0,09998384
v41 baru - 0,30035159

v12 baru 0,30053911

v22 baru 0,10027843
v32 baru - 0,09993998
v42 baru - 0,30130540

v13 baru 0,10026955

v23 baru 0,20013922
v33 baru 0,20003001
v43 baru - 0,10065270

>> Perubahanbobot awal hidden ke output dengan Persamaan 10

PERSAMAAN 11

w10 baru - 1,0060673

w11 baru - 0,5046649
w12 baru - 0,1045975
w13 baru 1,9955806
w14 baru - 1,0041662
Tahap Algoritma Backpropagation

Iterasi 2

Tabel 1 Data Biaya Konstruksi Rumah Tinggal

X1 X2 X3 Y
Luas
No Jumlah Biaya Konstruksi
bangunan Jumlah lantai
kamar Rp
(m2)
1 240,4 2 3 4.200.000.000
2 262,55 2 4 4.500.000.000
3 310,63 2 5 5.300.000.000
4 358,70 2 4 6.040.000.000
5 428,93 2 5 7.050.000.000

Tabel 2 Data Training

No X1 X2 X3 Y
1 240,40 2 3 4.200.000.000
2 262,55 2 4 4.500.000.000
3 310,63 2 5 5.300.000.000

Tabel 3 Data Training yang sudah dinormalisasi

No X1 X2 X3 Y
1 0,13 0,50 0,25 0,16
2 0,21 0,50 0,50 0,22
3 0,37 0,50 0,75 0,40

Tabel 4 Ambang
No X1 X2 X3 Y
min 200,00 1 2 3.500.000.000
max 500,00 3 6 8.000.000.000

1. Langkah Awal
>> Memberikan bobot acak dengan range -1 sampai 1

Tabel 5 Bobot Input ke Layer Tersembunyi

Z1 Z2 Z3 Z4
X1 0,20014520 0,30007499 - 0,09998384 - 0,30035159
X2 0,30053911 0,10027843 - 0,09993998 - 0,30130540
X3 0,10026955 0,20013922 0,20003001 - 0,10065270
1 1,00107821 1,00055686 1,00012003 0,99738920
Tabel 6 Bobot Layer Tersembunyi ke Output
Y
Z1 -0,50466493
Z2 -0,10459749
Z3 1,995580583
Z4 -1,00416622
1 -1,00606727

Learning rate (ɳ)= 0,2

Fase I - Propagasi Maju

1. Operasi pada Hidden Layer - dari Input ke Hidden Layer

PERSAMAAN 1

>> Menjumlahkan bobot dengan Persamaan 1

Z1 1,243
Z2 1,213
Z3 1,029
Z4 0,734

PERSAMAAN 2

>> Mengaktifkan bobot dengan Persamaan 2

Z1 0,78
Z2 0,77
Z3 0,74
Z4 0,68
2. Operasi pada Output Layer - dari Hidden Layer ke Output

PERSAMAAN 3

>> Mengalikan bobot dengan Rumus Persamaan 3

y_net1 - 0,69

PERSAMAAN 4

>> Mengaktifkan bobot dengan rumus Persamaan 4

yk 0,33

Fase II - Propagasi Mundur

>> Menghitung faktor kesalahan dengan Persamaan 5
PERSAMAAN 5

error - 0,11
kuadrat error 0,01
δk - 0,02507

>> Mengoreksi bobot pada unit k dengan persamaan 6

PERSAMAAN 6
 Δwb - 0,0050
Δw1 - 0,0039
Δw2 - 0,0039
Δw3 - 0,0037
Δw4 - 0,0034

>> Memperbaharui bobot dan prasikap dengan persamaan 7

PERSAMAAN 7

δ_net1 0,01
δ_net2 0,00
δ_net3 - 0,05
δ_net4 0,03

PERSAMAAN 8

δ1 0,00219870
δ2 0,00046322
δ3 - 0,00970388
δ4 0,00551791

>> Memperbaharui bobot tiap unit keluaran dengan Persamaan 9

PERSAMAAN 9

Δv10 0,00043974
Δv20 0,00009264
Δv30 -0,00194078
Δv40 0,00110358

Δv11 0,00009169
Δv21 0,00001932
Δv31 -0,00040465
Δv41 0,00023010
 Δv12 0,00021987
Δv22 0,00004632
Δv32 -0,00097039
Δv42 0,00055179

Δv13 0,00021987
Δv23 0,00004632
Δv33 -0,00097039
Δv43 0,00055179

>> Perubahan bobot awal input ke hidden Persamaan 10

PERSAMAAN 10

v10 baru 1,00043974

v20 baru 1,00009264
v30 baru 0,99805922
v40 baru 1,00110358

v11 baru 0,20023689

v21 baru 0,30009431
v31 baru - 0,10038849
v41 baru - 0,30012149

v12 baru 0,30075898

v22 baru 0,10032475
v32 baru - 0,10091037
v42 baru - 0,30075361

v13 baru 0,10048942

v23 baru 0,20018554
v33 baru 0,19905962
v43 baru - 0,10010091

>> Perubahanbobot awal hidden ke output dengan Persamaan 10

PERSAMAAN 11

w10 baru - 0,5096797

w11 baru - 0,1084896
w12 baru 1,9917147
w13 baru - 1,0078610
w14 baru - 1,0094554
Tahap Algoritma Backpropagation

Iterasi 3

Tabel 1 Data Biaya Konstruksi Rumah Tinggal

X1 X2 X3 Y
Luas
No Jumlah Biaya Konstruksi
bangunan Jumlah lantai
kamar Rp
(m2)
1 240,4 2 3 4.200.000.000
2 262,55 2 4 4.500.000.000
3 310,63 2 5 5.300.000.000
4 358,70 2 4 6.040.000.000
5 428,93 2 5 7.050.000.000

Tabel 2 Data Training

No X1 X2 X3 Y
1 240,40 2 3 4.200.000.000
2 262,55 2 4 4.500.000.000
3 310,63 2 5 5.300.000.000

Tabel 3 Data Training

No X1 X2 X3 Y
1 0,13 0,50 0,25 0,16
2 0,21 0,50 0,50 0,22
3 0,37 0,50 0,75 0,40

Tabel 4 Ambang
No X1 X2 X3 Y
min 200,00 1 2 3.500.000.000
max 500,00 3 6 8.000.000.000

1. Langkah Awal
>> Memberikan bobot acak dengan range -1 sampai 1

Tabel 5 Bobot Input ke Layer Tersembunyi

Z1 Z2 Z3 Z4
X1 0,200236885 0,300094307 -0,10038849 -0,30012149
X2 0,300758977 0,100324754 -0,10091037 -0,300753607
X3 0,300758977 0,100324754 -0,10091037 -0,300753607
1 1,000439741 1,000092643 0,998059224 1,001103582
Tabel 6 Bobot Layer Tersembunyi ke Output
Y
Z1 -0,10848959
Z2 1,991714736
Z3 -1,00786104
Z4 -1,00945545
1 -0,50967973

Learning rate (ɳ)= 0,2

Fase I - Propagasi Maju

1. Operasi pada Hidden Layer - dari Input ke Hidden Layer

PERSAMAAN 1

>> Menjumlahkan bobot dengan Persamaan 1

Z1 1,450
Z2 1,236
Z3 0,885
Z4 0,514

PERSAMAAN 2

>> Mengaktifkan bobot dengan Persamaan 2

Z1 0,81
Z2 0,77
Z3 0,71
Z4 0,63
2. Operasi pada Output Layer - dari Hidden Layer ke Output

PERSAMAAN 3

>> Mengalikan bobot dengan Rumus Persamaan 3

y_net1 - 0,40

PERSAMAAN 4

>> Mengaktifkan bobot dengan rumus Persamaan 4

yk 0,40

Fase II - Propagasi Mundur

>> Menghitung faktor kesalahan dengan Persamaan 5
PERSAMAAN 5

error - 0,00
kuadrat error 0,00
δk - 0,00

>> Mengoreksi bobot pada unit k dengan persamaan 6

PERSAMAAN 6
 Δwb - 0,0001
Δw1 - 0,0001
Δw2 - 0,0001
Δw3 - 0,0000
Δw4 - 0,0000

>> Memperbaharui bobot dan prasikap dengan persamaan 7

PERSAMAAN 7

δ_net1 0,00
δ_net2 - 0,00
δ_net3 0,00
δ_net4 0,00

PERSAMAAN 8

δ1 0,00000578
δ2 - 0,00012037
δ3 0,00007220
δ4 0,00008190

>> Memperbaharui bobot tiap unit keluaran dengan Persamaan 9

PERSAMAAN 9

Δv10 0,00000116
Δv20 -0,00002407
Δv30 0,00001444
Δv40 0,00001638

Δv11 0,00000043
Δv21 -0,00000888
Δv31 0,00000533
Δv41 0,00000604
 Δv12 0,00000058
Δv22 -0,00001204
Δv32 0,00000722
Δv42 0,00000819

Δv13 0,00000087
Δv23 -0,00001806
Δv33 0,00001083
Δv43 0,00001228

>> Perubahan bobot awal input ke hidden Persamaan 10

PERSAMAAN 10

v10 baru 1,00000116

v20 baru 0,99997593
v30 baru 1,00001444
v40 baru 1,00001638

v11 baru 0,20023731

v21 baru 0,30008543
v31 baru - 0,10038316
v41 baru - 0,30011545

v12 baru 0,30075956

v22 baru 0,10031272
v32 baru - 0,10090315
v42 baru - 0,30074542

v13 baru 0,30075984

v23 baru 0,10030670
v33 baru - 0,10089954
v43 baru - 0,30074132

>> Perubahanbobot awal hidden ke output dengan Persamaan 10

PERSAMAAN 11

w10 baru - 0,1085589

w11 baru 1,9916586
w12 baru - 1,0079147
w13 baru - 1,0095045
w14 baru - 0,5097231
Bobot dan Bias Terupdate Iterasi 1

Tabel 1. Bobot Input ke Layer Tersembunyi

Z1 Z2 Z3 Z4
X1 0,2002 1,9917 -0,1004 -0,3001
X2 0,3008 0,1003 -0,1009 -0,3007
X3 0,3008 0,1003 -0,1009 -0,3007
1 1,0000 1,0000 1,0000 1,0000

Tabel 2. Bobot Layer Tersembunyi ke Output

Y
Z1 1,99
Z2 -1,01
Z3 -1,01
Z4 -0,51
1 -0,11

Data Uji
No X1 X2 X3 Y
1 358,70 2,00 4,00 6.040.000.000
2 428,93 2,00 5,00 7.050.000.000

Tabel 2 Data Training

No X1 X2 X3 Y
1 0,53 0,50 0,50 0,56
2 0,76 0,50 0,75 0,79

Tabel 4 Ambang
No X1 X2 X3 Y
min 200,00 1 2 3.500.000.000
max 500,00 3 6 8.000.000.000

Fase I - Propagasi Maju

1. Operasi pada Hidden Layer - dari Input ke Hidden Layer

PERSAMAAN 1
 >> Menjumlahkan bobot dengan Persamaan 1
Z1 1,406686395
Z2 2,153873035
Z3 0,85
Z4 0,540511936

PERSAMAAN 2

>> Mengaktifkan bobot dengan Persamaan 2

Z1 0,80
Z2 0,90
Z3 0,70
Z4 0,63

2. Operasi pada Output Layer - dari Hidden Layer ke Output

PERSAMAAN 3

>> Mengalikan bobot dengan Rumus Persamaan 3

y_net1 - 0,44

PERSAMAAN 4

>> Mengaktifkan bobot dengan rumus Persamaan 4

yk 0,39

Persamaan 5
DENORMALISASI 5.262.420.788,62
Bobot dan Bias Terupdate Iterasi 1

Tabel 1. Bobot Input ke Layer Tersembunyi

Z1 Z2 Z3 Z4
X1 0,2002 1,9917 -0,1004 -0,3001
X2 0,3008 0,1003 -0,1009 -0,3007
X3 0,3008 0,1003 -0,1009 -0,3007
1 1,0000 1,0000 1,0000 1,0000

Tabel 2. Bobot Layer Tersembunyi ke Output

Y
Z1 1,99
Z2 -1,01
Z3 -1,01
Z4 -0,51
1 -0,11

Data Uji
No X1 X2 X3 Y
1 358,70 2,00 4,00 6.040.000.000
2 428,93 2,00 5,00 7.050.000.000

Tabel 2 Data Training

No X1 X2 X3 Y
1 0,53 0,50 0,50 0,56
2 0,76 0,50 0,75 0,79

Tabel 4 Ambang
No X1 X2 X3 Y
min 200,00 1 2 3.500.000.000
max 500,00 3 6 8.000.000.000

Fase I - Propagasi Maju

1. Operasi pada Hidden Layer - dari Input ke Hidden Layer

PERSAMAAN 1
 >> Menjumlahkan bobot dengan Persamaan 1
Z1 1,528751911
Z2 2,645196989
Z3 0,80
Z4 0,395069579

PERSAMAAN 2

>> Mengaktifkan bobot dengan Persamaan 2

Z1 0,82
Z2 0,93
Z3 0,69
Z4 0,60

2. Operasi pada Output Layer - dari Hidden Layer ke Output

PERSAMAAN 3

>> Mengalikan bobot dengan Rumus Persamaan 3

y_net1 - 0,41

PERSAMAAN 4

>> Mengaktifkan bobot dengan rumus Persamaan 4

yk 0,40

Persamaan 5
DENORMALISASI 5.291.460.889,37
Evaluasi Model

Tabel 1 Data Training

Hasil
No X1 X2 X3 Y Error Error^2 MSE
Keluaran
1 0,13 0,50 0,25 0,16 0,300 - 0,144 0,021
2 0,21 0,50 0,50 0,22 0,335 - 0,113 0,013 0,011
3 0,37 0,50 0,75 0,40 0,401 - 0,001 0,000

Tabel 2 Data Uji

Hasil
No X1 X2 X3 Y Error Error^2 MSE
Keluaran
1 0,53 0,50 0,50 0,56 0,392 0,173 0,030
0,091
2 0,76 0,50 0,75 0,79 0,398 0,391 0,153