BACKPROPAGATION

PENGANTAR
• Algoritma Perambatan Mundur atau
backpropagation merupakan algoritma untuk
melakukan proses pembelajaran terarah pada
jaringan saraf tiruan untuk mencari beban
pada setiap neuron yang menghasilkan nilai
kesalahan seminimal mungkin melalui data
pembelajaran yang diberikan.
 PENGANTAR
• Metode ini dilakukan setelah proses 
perambatan maju yang merambatkan data
dari data masukan ke keluaran melalui koleksi
neuron dan lapisan JST untuk kemudian
dirambatkan balik ke belakang dari lapis
keluaran ke lapis masukan untuk menghitung
nilai kesalahan pada masing-masing neuron
dibandingkan dengan nilai keluaran yang
seharusnya (nilai target).
IMPLEMENTASI BACKPROPAGATION
1. Implementasi metode backpropagationdalam
klasterisasi objek.
Contoh : akan lebih sulit dan berbahaya bagi seorang
prajurit dalam mengenali apakah suatu pasukan itu musuh
atau teman, jika harus mendekati pasukan itu dan melihat
dengan
mata sendiri. Dengan pendekatan yang dikenal dengan nama
Pengenalan Pola (Pattern Recognition), komputer dapat
membantu mengenali objek yang terdapat pada suatu
gambar atau citra.
2. Penerapan backpropagation neural network
Untuk peramalan penjualan produk susu

•Setelah dilakukan pelatihan dan pengujian, dilakukan validasi

untuk melihat kemampuan kinerja JST dalam mengenali pola data
aktual dan diperoleh hasil bahwa 4 data (67%) sesuai dengan
target (data aktual) dan 2 data (33%) tidak sesuai dengan target.
•Hasil ini menunjukkan tingkat kesalahan (error) proses pengujian
yangdilakukan dihasilkan nilai yang kecil. Nilai mean square error
(MSE) proses validasi adalah sebesar 0.0286.
3. Pengklasifikasian jenis tanah menggunakan
jaringan syaraf tiruan dengan algoritma
backpropagation
• Dengan bobot antara lapisan input dan lapisan
tersembunyi akhir serta bias antara lapisan input
dengan lapisan tersembunyi akhir setelah epoch
ke-5000.
• Beberapa pengukuran ketelitian dapat
disimpulkan dari penelititan klasifikasi tanah ini
menggunakan backpropagation Weka. Salah
satunya dilihat dari tingkat keberhasilan
klasifikasi sebesar 88 %,
• Merupakan algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh Perceptron dengan banyak
lapisan untuk mengubah bobot-bobot yang terhubung
dengan neuron-neuron yang ada pada lapisan
tersembunyi.
• Algoritma backpropagation menggunakan error output
untuk mengubah nilai bobot-bobotnya dalam arah
mundur(backward). Untuk mendapatkan error ini,
tahap perambatan maju (forward propagation) harus
dikerjakan terlebih dahulu.
• Pada saat perambatan maju, neuron-neuron diaktifkan
dengan menggunakan fungsi aktifasi sigmoid yaitu :
f(x) = 1
1 + e-x
• Arsitektur jaringan backprogation seperti
gambar di bawah :
x1 y1

z1

x2 y2

z2

x3 y3

• Setiap node arah panah ada yang masuk dan

keluar (gambar tidak lengkap alirannya)
 Algoritma Backpropagation
0. Inisialisasi bobot (ambil bobot awal dengan
nilai random yang cukup kecil).
1. Selama kondisi berhenti bernilai FALSE,
kerjakan langkah 2 sampai 9.
2. Untuk tiap pasangan pelatihan, kerjakan
langkah 3 sampai 8.
Feedforward :

3.Tiap-tiap unit input(xi, i=1,2,3,….,n) menerima sinyal

xi dan meneruskan sinyal tersebut ke semua unit
pada lapisan yang ada di atasnya (lapisan
tersembunyi)
4. Tiap unit tersembunyi (zi, j=1,….,p)
menjumlahkan bobot sinyal output.
z_in jk = voj +Σxi vij
(Hidden Layer W(Bobot) diganti dngan (V ij))
Keterangan :
z_in jk = Yin
voj = Bias
Σxi vij = Σxi wi

dengan menerapkan fungsi aktifasi hitung :

zj = f (z_inj)
dan mengirimkan isyarat ini ke semua unit
keluaran.
5. Tiap-tiap unit keluaran (yk, k=1, ….m) menjumlahkan isyarat masukan
berbobot,
y_ink = wok +Σ zj wjk
Keterangan :
Zj = Input sebelumnya
Wjk = Bobot
WOk = Bias

dengan menerapkan fungsi aktifasi hitung :

yj = f(y_ink)
SELESAI UNTUK PROSES FEEDFORWARD
Backpropagation
CARI DELTA UNTUK PROSES YANG ADA DI OUTPUT LAYER

6. Tiap unit keluaran (yk, k=1, … m) menerima

pola pelatihan masukannya. Hitung galat
informasinya
Rumus Pencarian dari output layer menuju hidden layer
δk = (tk – yk) f’(y_ink)

Hitung koreksi bobot dengan biasnya

∆ wjk = αδk xj (Rumus perubahan bobot dari output layer
menuju hidden layer)

∆ wok = αδk ( Rumus Perubahan Bias)

7. Tiap unit tersembunyi (zj, j=1,….,p) menjumlahkan
delta masukannya (dari unit-unit yang berada pada
lapisan di atasnya).

δ_inj = Σ δk w jk Rumus Pencarian dari hidden layer menuju

input layer

Hitung galat informasinya :

δj = δ_inj f (x_inj )
Aktifasi
Hitung Koreksi bobot dan biasnya :
Rumus Perubahan bobot dari hidden layer menuju
input layer

∆ vij = αδj xi

Rumus Perubahan bias

∆ vij = αδj
Perbaiki Bobot Dan Bias

8.Tiap unit keluaran (yk, k=1,….m)

memperbaharui bobot dan bias (j=0,1,….p)

wjk (baru) = wjk (lama) + ∆wjk

Keterangan :
wjk (lama) Didapat dari soal
∆wjk Didapat dari perubahan bobot Sebelumnya
 Tiap unit tersembunyi (zj, j=1,….p)
memperbaharui bobot dan bias (i=0,1,….n)
vij (baru) = vij (lama) + ∆vij

9. Uji Syarat berhenti