Backpropagation
Kelompok 2
Abdul Goni
Valentine Kilau Intan C
Ahmad Hasan
Hadi Prayitno
Ilustrasi ANN
Bobot (Weight)
Input Layer
Input
Jaringan syaraf tiruan pada bagian Input Layer
menerima sinyal input dari sumber luar, berupa
pola atau gambar yang direpresentasikan dalam
vektor. Input ini kemudian secara matematis
ditetapkan dengan notasi x(n) untuk setiap n
jumlah input.
Bobot
Setelah itu, masing-masing input dikalikan
dengan bobot yang sesuai. Secara umum, bobot
ini biasanya mewakili kekuatan interkoneksi
antar neuron di dalam jaringan saraf tiruan.
Semua input berbobot diringkas di dalam unit
komputasi.
Bobot
Jika jumlah bobot sama dengan nol, maka bias
ditambahkan untuk membuat output tidak nol
atau sesuatu yang lain untuk meningkatkan
respons sistem. Total input berbobot dapat
berada dalam kisaran 0 hingga bilangan tak
terhingga positif (+∞). Di sini, untuk menjaga
respons dalam batas nilai yang diinginkan, nilai
maksimum tertentu di-benchmark, dan total
input berbobot dilewatkan melalui fungsi
aktivasi.
Fungsi Aktivasi Neural Network
✘ Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan syaraf untuk mengaktifkan atau tidak
mengaktifkan neuron, menentukan output suatu neuron, menggambarkan hubungan antar tingkat aktivasi internal
(summation function) yang mungkin benbentuk linear atau nonlinear. Seperti pada gambar sebuah neuron akan
mengolah N input (X1, X2, ….XN) yang masing-masing memiliki bobot W1, W2, ….WN dan bobot bias b
𝑦 =𝑥
dengan
Macam-macam Fungsi Aktivasi
dengan
Output Fungsi Neural Network
✘ Sesuai dengan gambar arsitektur model neural network pada pembahasan sebelumnya bahwa untuk mendapatkan
output y dapat ditulis dengan persamaan sebagai berikut:
……………………………………… (12)
✘ Sehingga apabila jumlah inputan banyak seperti Gambar 1, maka
……………………………………… (13)
✘ Agar perceptron dapat bekerja maka rumus (12) harus dimasukkan dulu kedalam fungsi yang dinotasikan sebagai
berikut:
……………………………………… (14)
✘ Sehingga rumusnya menjadi
……………………………………… (15)
Propagasi Error Output Neural Network
Tujuannya adalah untuk meminimalkan error pada output yang dihasilkan jaringan, untuk itu dipakai metode backpropagation untuk
menyesaikannya. Dan biasanya untuk metode backpropagation menggunakan jaringan multilayer.
Metode backpropagation terdiri dari tiga Langkah yaitu:
✘ Memasukkan nilai inputan jaringan secara feedforward
✘ Menghitung dan propagasi balik dari error yang bersangkutan
✘ Pembaharuan (adjustment) bobot dan bias
✘ Pada setiap output yang menerima suatu target output yang sesuai dengan target input, maka untuk menghitung kesalahan (error)
antara target dedngan putput yang dihasilkan jaringan adalah:
✘ Begitu juga untuk proses sebelumnya pada hidden unit, maka fungsi sebelumnya juga diturunkan, sehingga rumusnya menjadi:
✘ Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan jaringan untuk menhasilkan faktor koreksi
error
1. Feedforward
6. Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit keluaran (Fase
Back Propagation)
Lanjutan
δk merupakan kesalahan yang akan dipakai dalam perubahan bobot layer dibawahnya
(langkah 7)
Hitung suku perubahan bobot wjk (yang akan dipakai nanti untuk merubah bobot wjk)
dengan laju pembelajaran α
∆wjk = α δk zj (k= 1,2, ..., m ; j = 0,1,2, ..., p)
7. Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembuyi
Zj (j =1. p)
9. Stop
Contoh Perhitungan ANN
Contoh
Terdiri dari 1 unit keluaran Y, 3 unit Z, dan 2 unit X serta 2 bias (untuk unit tersembunyi
dan unit keluaran
1. Mula-mula bobot diberi nilai acak yang kecil (range [-1,1]).
Y
Z1 0,5
Z2 -0,3
Z3 -0,4
1 -0,1
Suku perubahan bobot ke unit tersembunyi ∆vij = α δj xi(j = 1,2,3 ; i = 0,1,2)
Z1 Z2 Z3
X1 ∆v11 = (0,2) (-0,01) ∆v12 = (0,2) (0,01) ∆v13 = (0,2) (0,01)
(1) = -0,002 ≈ 0 (1) = 0,002 ≈ 0 (1) = 0,002 ≈ 0
X2 ∆v21 = (0,2) (-0,01) ∆v22 = (0,2) (0,01) ∆v23 = (0,2) (0,01)
(1) = -0,002 ≈ 0 (1) = 0,002 ≈ 0 (1) = 0,002 ≈ 0
1 ∆v01 = (0,2) (-0,01) ∆v02 = (0,2) (0,01) ∆v03 = (0,2) (0,01)
(1) = -0,002 ≈ 0 (1) = 0,002 ≈ 0 (1) = 0,002 ≈ 0
Z1 Z2 Z3