Pelatihan BACK PROPAGATION

Slides:



Advertisements
Presentasi serupa
JARINGAN KOMPETISI dg BOBOT TETAP
Advertisements

MLP Feed-Forward Back Propagation Neural Net
JARINGAN SYARAF TIRUAN
Algoritma JST Backpropagation
Praktikum Metkuan Jaringan Syaraf Tiruan Propagasi Balik
Yanu Perwira Adi Putra Bagus Prabandaru
Perceptron.
Jaringan Saraf Tiruan Model Hebb.
METODE HEBB~3 Sutarno, ST. MT..
JaRINGAN SARAF TIRUAN (Neural Network)
Ir. Endang Sri Rahayu, M.Kom.
Dr. Benyamin Kusumoputro
Supervised Learning Process dengan Backpropagation of Error
Jaringan Syaraf Tiruan (JST)
PERCEPTRON Arsitektur jaringannya mirip dengan Hebb
JST BACK PROPAGATION.
Jaringan Syaraf Tiruan
Rosenblatt 1962 Minsky – Papert 1969
Jaringan Syaraf Tiruan (JST)
Konsep dasar Algoritma Contoh Problem
MULTILAYER PERCEPTRON
BAB II SANDI BINER 2.1 Sandi 8421
JARINGAN SARAF TIRUAN LANJUTAN
MODEL JARINGAN PERCEPTRON
PENGANTAR JARINGAN SYARAF TIRUAN (JST)
Jaringan Syaraf Tiruan (JST) stiki. ac
JST BACK PROPAGATION.
Jarringan Syaraf Tiruan
SISTEM CERDAS Jaringan Syaraf Tiruan
Week 2 Hebbian & Perceptron (Eka Rahayu S., M. Kom.)
Artificial Intelligence Oleh Melania SM
BACK PROPAGATION.
PEMBELAJARAN MESIN STMIK AMIKOM PURWOKERTO
Pertemuan 12 ARTIFICIAL NEURAL NETWORKS (ANN) - JARINGAN SYARAF TIRUAN - Betha Nurina Sari, M.Kom.
Perceptron Algoritma Pelatihan Perceptron:
Pelatihan BACK PROPAGATION
JST (Jaringan Syaraf Tiruan)
Week 3 BackPropagation (Eka Rahayu S., M. Kom.)
Metode Perancangan Program
Jaringan Syaraf Tiruan
JST PERCEPTRON.
Ir. Endang Sri Rahayu, M.Kom.
JARINGAN SYARAF TIRUAN SISTEM BERBASIS PENGETAHUAN
Aplikasi Kecerdasan Komputasional
Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)
Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Networks)
Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (Artificial Neural Networks)
MLP Feed-Forward Back Propagation Neural Net
Artificial Intelligence (AI)
Jaringan Syaraf Tiruan Artificial Neural Networks (ANN)
Struktur Jaringan Syaraf Tiruan
D. Backpropagation Pembelajaran terawasi dan biasa digunakan perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron.
Jawaban Tidak harus bernilai = 1. tergantung kesepakatan
Jaringan Syaraf Tiruan
Neural Network.
JARINGAN SYARAF TIRUAN
Clustering (Season 2) Self-Organizing Map
JARINGAN SYARAF TIRUAN
Pengenalan Pola secara Neural (PPNeur)
JARINGAN SYARAF TIRUAN
Single-Layer Perceptron
JARINGAN SYARAF TIRUAN
Jaringan Syaraf Tiruan
Jaringan umpan maju dan pembelajaran dengan propagasi balik
Asosiasi Pola Kuliah 8.
Arsitektur jaringan Hebb Jaringan syaraf tiruan
Teori Bahasa Otomata (1)
This presentation uses a free template provided by FPPT.com Pengenalan Pola Sinyal Suara Manusia Menggunakan Metode.
Transcript presentasi:

Pelatihan BACK PROPAGATION algoritma dan contoh soal Pelatihan BACK PROPAGATION

Langkah 0 : Inisialisasi semua bobot (bil acak kecil) ALGORITMA PELATIHAN jaringan  hiden layer fungsi aktivasi  sigmoid biner Langkah 0 : Inisialisasi semua bobot (bil acak kecil) Langkah 1 : Jika belum berhenti,lakukan langkah 2 – 9 Langkah 2 : untuk setiap pasang data pelatihan, lakukan langkah 3 – 8

Fase I : Propagasi Maju Langkah 3 : sinyal dari unit input dikirim ke unit tersembunyi di atasnya Langkah 4 : Hitung semua keluaran di unit tersembunyi Zj (j= 1,2,..P)

Langkah 5 : Hitung semua keluaran jaringan di unit yk (k=1,2,..,m)

FASE II : PROPAGASI MUNDUR Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan setiap unit keluaran yk (K=1,2,…,m) δk  komponen kesalahan yg akan dipakai pada perubahan bobot layar di bawahnya (langkah 7) Hitung suku perubahan bobot Wkj (yang akan dipakai untuk merubah bobot Wkj) dengan laju percepatan ά

Langkah 7 : Hitung faktor δ unit tersembunyi : Hitung suku perubahan bobot vji untuk ubah bobot vji)

Fase III : Perubahan Bobot Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran : Perubahan bobot garis yang menuju ke hiden layer : Setelah pelatihan  jaringan dapat dipakai untuk pengenalan pola dengan propagasi maju (langkah 4 dan 5)

Contoh : Gunakan Backpropagation dengan sebuah layar tersembunyi (dengan 3 unit) untuk mengenali fungsi logika XOR dengan 2 masukkan x1dan x2. Buatlah iterasi untuk menghitung bobot Jaringan untuk pola pertama (x1=1, x2=1 dan t=0). Gunakan laju pemahaman ά=0.2 Penyelesaian Arsitektur Backpropagation dengan 1 layar tersembunyi yang terdiri dari 3 unit untuk mengenali fungsi XOR seperti pada gambar

Mula – mula bobot diberi nilai acak yang kecil (range (-1, 1)). Misal didapat bobot seperti tabel 1 (bobot dari layar masukan ke layar tersembunyi = vji dan 2 (bobot dari layar masukan ke layar ter sembunyi = wkj) Tabel 1 Tabel 2

Langkah 4 : Hitung keluaran unit tersembunyi (Zj)

Langkah 5 : Hitung keluaran unit yk Karena jaringan hanya memiliki sebuah unit keluaran y maka y_netk

Langkah 6 : Hitung faktor δ di unit keluaran yk Karena jaringan hanya memiliki sebuah keluaran maka : Suku perubahan bobot wkj (dengan ά=0.2) :

Tabel 3 merupakan bobot yang dipakai sebagai inisialisasi Bias yang dipakai adalah bilangan acak antara -1.21 hingga 1.21