PERTEMUAN 9

BACKPROPAGATION
  BPNN (Backpropagation Neural Network) merupakan algoritma
pelatihan terbimbing (supervised learning) yang mempunyai
banyak lapisan.
PENGERTIAN  BPNN bekerja untuk memperkecil tingkat error dengan
menyesuaikan bobot berdasarkan perbedaan ouput yang
diinginkan.
  BPNN menggunakan error output untuk mengubah nilai bobot-
bobotnya dalam arah mundur (backward).
PRINSIPNYA  Untuk mendapatkan error ini, tahap perambatan maju (forward
propagation) harus dikerjakan terlebih dahulu.
ARSITEKTU
R

 Terdiri dari: Input Layer – Hidden Layer – Output Layer

  Secara umum algoritmanya terdiri dari tiga langkah utama, yaitu :

1.Pengambilan input
ALGORITMA
2.Penelusuran error

3.Penyesuaian bobot
  Dengan demikian dalam metode backpropagation, algoritma yang
ALGORITMA harus dilakukan adalah inisialisasi bobot, komputasi feed forward
(CONT.) dan backpropagation dan inisialisasi kondisi stopping berdasarkan
nilai batas error atau jumlah batas epoch.
  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
INISIALISASI secara acak tanpa menggunakan faktor skala, sedangkan pada inisialisasi
Nguyen-Widrow, inisialisasi dilakukan dengan memodifikasi inisialisasi
BOBOT acak dengan menggunakan faktor skala β dengaan tujuian untuk
mempercepat proses pelatihan.
 Menentukan besarnya skala β.
 β=0.7(p)1/n
 dengan p : jumlah unit hidden dan n : jumlah unit input.
  Pada dasarnya proses algoritma backpropagation terdiri dari komputasi
maju (feed forward) dan komputasi balik (backpropagation).
FEEDFORWARD
DAN
 Komputasi maju digunakan sebagai algoritma untuk menghitung nilai
BACKPROPAGATION aktivasi yang ada pada semua neuron baik yang ada di lapis tersembunyi
atau hidden layer taupun lapis keluaran atau output layer.
  Berikut ini merupakan algoritma yang digunakan dalam komputasi maju.
1.Neuron yang berada pada lapisan tersembunyi melakukan perhitungan nilai
total masukan dari lapisan tersembunyi dengan cara menjumlahkan
perkalian sinyal masukan dengan bobot antara lapisan masukan (input
FEEDFORWARD layer) dan lapisan tersembunyi (hidden layer) dan nilai bias.
DAN 2.Neuron tersebut melakukan perhitungan nilai aktivasi.
BACKPROPAGATION
3.Sinyal keluaran dari lapisan tersembunyi berguna sebagai lapisan masukan
(CONT) pada lapisan keluaran. Kemudian neuron yang berada pada lapisan
keluaran melakukan perhitungan untuk menghitung nilai keluaran.
4.Neuron keluaran tersebut menghitung nilai aktivasi dengan menerapkan
fungsi aktivasi pada lapisan keluarannya.
  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
FEEDFORWARD target dengan sinyal keluaran yang ada pada neuron keluaran.
DAN 2.Hasil perhitungan ini kemudian digunakan untuk menyesuaikan bobot
BACKPROPAGATION hubungan antara lapisan keluaran dengan semua neuron yang berada pada
(CONT) 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 nilai keluarannya mempunyai nilai
yang mendekati dengan target.