Yanu Perwira Adi Putra 2210106039 Bagus Prabandaru 2210106070 BACKPROPAGATION Yanu Perwira Adi Putra 2210106039 Bagus Prabandaru 2210106070

PENGERTIAN Backpropagation merupakan suatu teknik pemblajaran/pelatihan supervised learning yang paling banyak digunakan Jaringan ini terdiri dari banyak lapisan antara lain lapisan input, lapisan tersembunyi lapisan keluaran Tahap pelatihan ini merupakan langkah untuk melatih suatu JST (jaringan saraf tiruan)

ARSITEKTUR Setiap unit di dalam layer input selalu terhubung dengan setiap unit yang berada pada leyer tersembunyi, demikian juga setiap unit pada layer tersembunyi selalu terhubung dengan unit pada layer output

FUNGSI AKTIVASI Fungsi Sigmoid Biner Fungsi ini merupakan fungsi yang umum digunakan dan akan diterlapkan pada aplikasi, rangenya adalah (0,1) dan didefisiniskan sebagai : Dengan kurva

Pelatihan Jaringan Propagasi Balik Aturan pelatihan propagasi balik terdiri dari 2 tahap, feedforward dan backward propagation. Pada jaringan diberikan sekumpulan contoh pelatihan yang disebut set pelatihan. Set pelatihan terdiri dari vektor input dan juga vektor output target. keluaran dari jaringan berupa sebuah vektor output aktual. Selanjutnya dilakukan perbandingan antara output aktual dan output target, hasilnya adalah error, error dijadikan sebagai dasar dalam melakukan perubahan setiap bobot dengan mempropagasikan kembali.

Alogaritma Pelatihan Jaringan Propagasi Balik (1) Terdiri dari 3 tahapan: tahap umpan maju (feedfordward) tahapan umpan mundur (backpropagation) tahapan pengupdatean bobot dan bias Secara rinci dapat diuraikan sebagai berikut inisialisasi bobot-bobot, konstan laju pelatihan, toleransi error atau nilai bobot (bila menggukan nilai bobot sebagai kondisi berhenti) atau set maksimal perubahan bobot (epoch) selama kondisi berhenti belum tercapai, maka lakukan langkah ke 3 hingga langkah ke 10 untuk setiap pasangan pola pelatihan, lakukan langkah ke 4 sampai langkah ke 9

Alogaritma Pelatihan Jaringan Propagasi Balik (2) Tahap I: Umpan Maju (feedforward) Setiap unit input Xi (dari unit ke-1 hingga unit ke-n pada lapisan input) mengirimkan sinyal input ke setiap yang berada pada lapisan tersembunyi. Masing masing unit di lapisan tersembunyi (dari unit ke-1 hingga ke unit ke- p) dilakukan dengan bobotnya dan dijumlahkan serta ditambahkan dengan biasnya Masing-masing unit output (yk k=1,2,3,...m) dikalikan dan dijumlahkan serta ditambahkan dengan biasnya

Alogaritma Pelatihan Jaringan Propagasi Balik (3) Tahap II : Umpan mundul (backward propagation) Masing-masing unit output (yk k=1,2,3..,m) menerima pola target tk sesuai dengan pola masukan/input saat pelatihan dan kemudian informasi kesalah/error lapisan output (δk) dihitung. δk dikirim ke lapisan dibawahnya dan digunakan untuk menghitung besarnya koreksi bobot dan bias (ΔWjk dan ΔWok) antara lapisan tersembunyi dengan lapisan output: Hitung suku perubahan bobot Wjk (yang akan digunakan untuk merubah bobot Wjk) dengan laju pelatihan Hitung perubahan bias

Pada setiap unit di lapisan tersembunyi (dari unit ke-1 hingga ke-p; i=1...n; k=1...m) dilakukan perhitungan informasi kesalah lapisan tersembynyi(δj). δj kemudian digukan untuk menghitung bsera koreksi bobot dan bias (ΔVji dan ΔVjo) antara lapisan input dan lapisan tersembunyi Hitung suku perubahan bobot Vji (yang digunakan untuk perbaikan bobot Vji) Hitung perubahan bias (untuk memperbaiki Vjo)

Tahap III : Pengapditan bobot dan bias Masing-masing unit output/keluarannya (yk, k=1,2,3,...,m) dilakukan pengupdatean bias dan bobotnya (j=0,1,2,...,p) sehingga menghasilkan bobot dan bias baru : demikian juga untuk setiap unit tersembunyi mulai dari unit ke-1 sampai dengan unit k-p dilakukan pengupdatean bobot dan bias : Uji kondisi berhenti (akhir iterasi)