Disusun Oleh :
Dwi Wahyu Nugroho 18507134038
Ferdian Wijanarko 18507134029
Febrian Noor Rohim 18507134028
Pengertian
Backpropagation terdiri dari tiga layer, yaitu input layer, hidden layer
dan output layer. Pada input layer tidak terjadi proses komputasi,
namun pada input layer terjadi pengiriman sinyal input X ke hidden
layer. Pada hidden dan output layer terjadi proses komputasi terhadap
bobot dan bias dan dihitung pula besarnya output dari hidden dan
output layer tersebut berdasarkan fungsi aktivasi tertentu. Dalam
algoritma backpropagation ini digunakan fungsi aktivasi sigmoid biner,
karena output yang diharapkan bernilai antara 0 sampai 1
Arsitektur Backpropagation Secara Horizontal Arsitektur Backpropagation Secara Vertical
Tiga layer backpropagation adalah input layer, hidden layer dan output layer. Pada input layer, inputan
divariabelkan dengan Xn. Pada hidden layer, terdapat bobot (Vij) dan bias (Voj), serta Z sebagai data
hidden layer. Pada output layer juga demikian, terdapat bobot (Wij) dan bias (Woj) dengan data output
divariabelkan dengan Y.
Algoritma
Ada dua cara untuk menginisialisasi bobot, yaitu inisialisasi secara random dan
inisialisasi dengan menggunakan Nguyen-Widrow.
Inisialisasi acak merupakan cara yang paling sering digunakan dalam inisialisasi bobot.
Pada inisialisasi bobot secara random, bobot diinisialisasi secara acak tanpa
menggunakan faktor skala, sedangkan pada inisialisasi Nguyen-Widrow, inisialisasi
dilakukan dengan memodifikasi inisialisasi acak dengan menggunakan faktor skala β
dengaan tujuian untuk mempercepat proses pelatihan.
Di bawah dijelaskan mengupdate bobot yang dilakukan tanpa memperhatikan
besarnya momentum. Dengan demikian dalam metode backpropagation, algoritma
yang harus dilakukan adalah inisialisasi bobot, komputasi feed forward dan
backpropagation dan inisialisasi kondisi stopping berdasarkan nilai batas error atau
jumlah batas epoch.
Algoritma lengkap sebuah pembelajaran ANN
1. Inisialisasi bobot
Ada dua cara untuk menginisialisasi bobot, yaitu inisialisasi secara random dan
inisialisasi dengan menggunakan Nguyen-Widrow.
Inisialisasi acak merupakan cara yang paling sering digunakan dalam inisialisasi bobot.
Pada inisialisasi bobot secara random, bobot diinisialisasi secara acak tanpa
menggunakan faktor skala, sedangkan pada inisialisasi Nguyen-Widrow, inisialisasi
dilakukan dengan memodifikasi inisialisasi acak dengan menggunakan faktor skala β
dengaan tujuian untuk mempercepat proses pelatihan.
Algoritma inisialisasi dengan Nguyen-Widrow adalah sebagai berikut :
i. Menentukan besarnya skala β.
β=0.7(p)1/n
dengan p : jumlah unit hidden dan n : jumlah unit input.
i. Inisialisasi bobot Vij secara random dengan nilai inisialisasi Vij
adalah -0.5 ≤ Vij ≤ 0.5.
yk = f(y_ink)
Algoritma Komputasi Balik
Dengan komputasi balik ini nilai error atau kesalahan bisa dikurangi dengan cukup
baik. Berikut ini adalah gambaran kasar dari algoritma komputasi balik yang digunakan
pada Artificial Neural Network.
1. Sinyal keluaran yang dihasilkan pada komputasi maju kemudian dicocokkan dan
dilakukan perhitungan untuk menghitung selisih antara target dengan sinyal
keluaran yang ada pada neuron keluaran.
2. Hasil perhitungan ini kemudian digunakan untuk menyesuaikan bobot hubungan
antara lapisan keluaran dengan semua neuron yang berada pada lapisan
tersembunyi.
3. Setelah itu kirimkan sinyal kesalahan ke dalam lapisan tersembunyi sehingga
setiap neuron yang berada pada lapisan tersembunyi bisa menyesuaikan beban
yang ada agar niali keluarannya mempunyai nilai yang mendekati dengan target.
Algoritma proses backpropagationnya adalah sebagai berikut :
ii. Error adalah perbedaan yang terjadi antara ouput terhadap target yang diinginkan. Proses
ANN akan berhenti jika bessarnya error yang terjadi telah bernilai lebih kecil dari nilai error
maksimum yang telah ditetapkan. Besarnya nilai error dihitung dengan menggunakan fungsi
error kuadratis.
Fungsi eror tersebut merupakan bagian dari algoritma backpropagation yang menggunakan
gradient descent yaitu dengan cara menuruni lembah permukaan error untuk mencapai nilai
error yang convergen.
Kedua kondisi stopping di atas digunakan dengan logika OR. Jadi kondisi stopping adak terjadi jika
besarnya Error < Error maksimum atau Epoch > Epoch maksimum.
• Pengenalan Kapal pada Citra Digital Menggunakan Image Processing dengan
Jaringan Syaraf Tiruan Backpropagation
• Negara Indonesia merupakan negara dengan potensi perikanan yang besar, tetapi
potensi besar tersebut belum dapat dinikmati sepenuhnya karena beberapa faktor,
salah satunya illegal fishing. Untuk mengurangi illegal fishing, TNI Angkatan Udara
melakukan pantauan laut melalui pesawat yang dilengkapi dengan foto udara
untuk membantu dalam perekaman kegiatan illegal fishing diperairan dan
dilakukan analisa visual secara manual oleh manusia. Oleh sebab itu pada
penelitian ini dibuat aplikasi pengenalan kapal pada citra digital dengan
menggunakan image processing dan algoritma jaringan syaraf tiruan
Backpropagation. Arsitektur jaringan yang digunakan dalam pelatihan terdiri dari
400 neuron pada layerinputsesuai jumlah pixel gambar, satu layer tersembunyi
yang terdiri dari 40 neuron, dan 1 neuron pada layer output yang terdapat 2
kemungkinan yaitu apakah citra kapal atau citra bukan kapal. Proses pelatihan
dengan jaringan Backpropagation untuk mengenali citra kapal dengan nilai α 0,2;
sistem mampu mencapai error 0,000001 pada epoch ke-6687 dengan tingkat
akurasi 85%. [5]
• Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
• Nilai Tukar Petani (NTP) merupakan salah satu indikator untuk mengukur tingkat
kesejahteraan atau kemampuan daya beli petani. Nilai indeks NTP untuk periode
yang akan datang perlu di lakukan prediksi yang dapat dimanfaatkan pihak terkait
dalam mempersiapkan tindakan-tindakan pencegahan apabila indeks NTP turun
dari periode sebelumnya. Penelitian ini bertujuan untuk mengukur unjuk kerja
algoritma jaringan syaraf tiruan Backpropagation dalam memprediksi Nilai Tukar
Petani (NTP) Provinsi Jawa Timur satu bulan mendatang. Jaringan yang dibangun
terdiri atas 12 neuron input, dan 1 neuron output. Data yang digunakan yaitu data
tahun 2008-2012 untuk proses pelatihan jaringan. Proses pengujian dilakukan
dengan membandingkan hasil pengujian dengan data aktual tahun 2013 dan 2014.
Hasil pengujian menunjukkan bahwa persentase error terkecil apabila jumlah node
lapisan tersembunyi 7 dan nilai laju pembelajaran 0.1 dengan rata-rata error
sebesar 0.61% atau tingkat akurasi mencapai 99.39% [10].