JARINGAN SYARAF TIRUAN

Review :
ROHMADI (2106011741002)
LEONARDUS SANDY (21060117410003)
Konsep Dasar JST

Y1 = X1.W1 + X2.W2 + X3.W3; dst

Fungsi-fungsi aktivasi

Stept(x) = 1 if x >= t, else 0

Sign(x) = +1 if x >= 0, else 1
Sigmoid(x) = 1/(1+e-x)
Identity Function
Contoh Jaringan Sederhana

AND
Fungsi AND
X1 X2 Y
X1 1 0 0 0
0 1 0
Y 1 0 0
1 1 1
Threshold=2
1
X2
Contoh Jaringan Sederhana

OR
Fungsi OR
X1 X2 Y
X1 2 0 0 0
0 1 1
Y 1 0 1
1 1 1
Threshold=2
2
X2
Contoh Jaringan Sederhana

AND-NOT
Fungsi NOT
X Y
0 1
1 0
-1
X2 Y

Threshold = -0.5
Arsitektur JST Backpropagation
Contoh Arsitekstur JST Backpropagation dengan:
n unit masukkan
p unit layer tersembunyi
m unit masukkan

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

Algoritma Pelatihan Backpropagation
Algoritma Pelatihan Backpropagation dengan satu layer
tersembunyi dan dengan menggunakan fungsi aktivasi sigmoid
biner 1 1
V10 W20 W10
V20
Vp0 Wm0
X1 V11 Z1 W11 Y1

Vp1 V21 Wm1

W2
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
Algoritma Pelatihan Backpropagation
1 1
V10 W20 W1
V20
Vp0 Wm0 0

X1 V11 Z1 W11 Y1

Vp1 V21 Wm1

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

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):
Algoritma Pelatihan Backpropagation
1 1
V10 W20 W1
V20
Vp0 Wm0 0

X1 V11 Z1 W11 Y1

Vp1 V21 Wm1

W2
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)
Algoritma Pelatihan Backpropagation
1 1
V10 W20 W1
V20
Vp0 Wm0 0

X1 V11 Z1 W11 Y1

Vp1 V21 Wm1

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

Fase II : Propagasi Maju

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 meruapakan unit kesalahan yang akan dipakai dalam perubahan bobot layer dibawahnya (lankah 7)

Hitung suku perubahan bobot Wkj dengan laju perubahan

wkj= k zj ; k=1,2,3,,m ; j=0,1,2,,p

 Algoritma Pelatihan Backpropagation
1 1
V10 W20 W1
V20
Vp0 Wm0 0

X1 V11 Z1 W11 Y1

Vp1 V21 Wm1

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

Langkah 7
Hitung factor 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

vji= jxi ; j=1,2,,p ; i=0,1,2,,n

Algoritma Pelatihan Backpropagation
1 1
V10 W20 W1
V20
Vp0 Wm0 0

X1 V11 Z1 W11 Y1

Vp1 V21 Wm1

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

Fase III : Perubahan Bobot

Langkah 8
Perubahan bobot garis yang menuju unit keluaran
wkj (baru)= wkj (lama) + wkj
Perubahan bobot garis yang menuju ke unit tersembunyi
Vji (baru)= vji (lama) + vji
 Laju Pemahaman
Laju pemahaman di simbolkan dengan
Laju pemahaman menentukan lama iterasi
Nilai dari diantara 0 sd 1
Semakin besar nilai semakin cepat lama iterasi
Akan tetapi jika terlalu besar akan merusak pola, sehingga justru akan
lebih lama iterasinya
 Epoch
Epoch yaitu satu siklus pelatihan yang melibatkan semua pola
Misal jika suatu arsitektur JST terdapat 4 pola masukkan dan 1 target,
maka pelatihan 4 pola masukkan tersebut adalah 1 epoch
IDENTITAS JURNAL
Judul Jurnal :
Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal
Musim Hujan Berdasarkan Suhu Permukaan Laut

Penulis : Laila Sari Lubis & Agus Buono

Jurnal Penerbit : Jurnal Ilmu Komputer dan Agri-Informatika (JIKA)

Journal IPB, Volume 1 Nomor 2 Halaman 52-61.
Ruang Lingkup
Data yang digunakan adalah data suhu muka laut dan data awal
musim hujan dari tahun 1992-2008 untuk wilayah Anjatan,
Indramayu.
Data model yang digunakan Suhu Muka Laut (SML) pada bulan Juni,
Juli, dan Agustus.
Analisis korelasi digunakan untuk menentukan keeratan hubungan
antara awal musim hujan.
Metode JST Backpropagation digunakan untuk menunjukkan model
prediksi awal musim hujan.
Evaluasi menggunakan dua parameter, yaitu 2 .
Metode
Penelitian
Model Jaringan Syaraf Tiruan
Karakteristik dan spesifikasi pada arsitektur JST
KARAKTERISTIK SPESIFIKASI
Arsitektur 1 layer hidden
Neuron Input SML korelasi AMH Juni, Juli, dan Agustus 5% dan 10%
Hidden neuron 5, 10, 20, dan 40
Neuron Output 1 (target data prediksi awal musim hujan)
Fungsi Aktivasi Layer Hidden Signoid Biner
Fungsi Aktivasi Output Linear
Toleransi galat 0.001
Maksimum Epoch 500
Learning rate (LR) 0.3, 0.1, dan 0.01