Escolar Documentos
Profissional Documentos
Cultura Documentos
=
=
m
i
i i
w x f y
... (2.1)
fungsi f selanjutnya disebut fungsi aktivasi (Kristanto 2004).
f
w x y . =
1
x
2
x
m
x
1
w
2
w
m
w
33
Pada dasarnya ANN tersusun dari beberapa lapisan node (layer) yaitu
lapisan masukan (input layer), satu atau lebih lapisan terselubung (hidden layer)
dan lapisan keluaran (output layer). Node merupakan suatu unit komputasi yang
paling sederhana pada setiap lapisan yang dihubungkan dengan setiap node pada
lapisan berikutnya, hubungan antarnode (unit) diekspresikan oleh suatu bilangan
yang disebut bobot (weight). Setiap unit pada input layer akan menjadi masukan
pada hidden layer dan keluarannya akan menjadi masukan bagi layer berikutnya
sampai akhirnya menghasilkan keluaran pada output layer. Bentuk ANN dengan
multilayer neural network menurut Rich dan Knight (1983) dapat dilihat pada
Gambar 7.
Gambar 7. Model multilayer neural network (Rich dan Knight 1983)
Keterangan :
X
+ =
n
i
ji i j j
v x v net z
0
_ ... (2.3)
dengan
0 j
v adalah bobot garis yang menghubungkan bias pada unit input dengan
unit hidden
j
Z . Pada unit hidden dihitung aktivasi kemudian sinyal
j
z dikirimkan
ke unit output yaitu
) ( ) _ (
1
0
=
+ = =
n
i
ji i j j j
v x v f net z f z . (2.4)
Masing-masing unit output
k
Y menghitung aktivasinya
k
y , sinyal input dan sinyal
output pada lapisan output adalah
36
=
+ =
p
j
kj j k k
w z w net y
1
0
_ . (2.5)
) ( ) _ (
1
0
=
+ = =
p
j
kj j k k k
w z w f net y f y (2.6)
dengan
0 k
w adalah bobot garis yang menghubungkan bias pada unit hidden
dengan unit output
k
Y . Kemudian hasil perhitungan
k
y dibandingkan dengan
nilai target
k
t . Berdasarkan hasil perbandingan ditentukan himpunan kesalahan
untuk menghitung nilai faktor
k
(k=1,...,m). Faktor
k
digunakan untuk
mendistribusikan kesalahan pada
k
Y ke lapisan sebelumnya. Nilai faktor
j
dengan j = 1,..., p dihitung untuk masing-masing
j
Z , tetapi tidak diperlukan
pendistribusian kesalahan ke
i
X . Faktor
j
digunakan untuk memperbaiki bobot
antara lapisan hidden dan lapisan input. Penyesuaian bobot
kj
w (dari
j
Z ke
k
Y )
didasarkan pada faktor
k
dan aktivasi
j
z pada
j
Z . Penyesuaian bobot
ji
v (dari
i
X ke
j
Z ) didasarkan pada faktor
j
dan aktivasi
i
x pada
i
X .
Algoritma backpropagation menggunakan metode pencarian titik
minimum untuk mencari bobot dengan eror minimum. Eror output digunakan
untuk mengubah nilai bobot dalam arah mundur. Menurut Siang (2005) dalam
proses pencarian titik minimum dikenal dua macam mode yaitu mode incremental
dan mode kelompok (batch). Dalam mode incremental, bobot diubah setiap kali
pola input diberikan ke jaringan. Sebaliknya, dalam mode batch bobot diubah
setelah semua pola input diberikan ke jaringan. Eror yang diperoleh dalam setiap
pola input dijumlahkan untuk menghasilkan bobot baru. Menurut Fausett (1994),
eror (fungsi dari bobot dan bias) yang harus diminimalkan dalam proses pelatihan
adalah eror kuadrat. Fungsi yang dimaksudkan adalah
=
=
m
k
k k
y t E
1
2
) ( 5 . 0 .. (2.7)
Metode paling sederhana untuk merubah bobot adalah metode penurunan gradien
(gradient descent). Besarnya gradien dari fungsi eror terhadap bobot
kj
w adalah
37
m
k
k k
kj kj
y t
w w
E
1
2
) ( 5 . 0 (2.8)
Bobot diubah pada arah dimana unjuk kerja fungsi eror menurun paling cepat,
yaitu dalam arah negatif gradiennya. Sedangkan perubahan bobot dari neuron
pada lapisan output ke neuron pada lapisan hidden adalah
kj
kj
w
E
w
= (2.9)
dengan
kj
w : bobot dari lapisan neuron ke-k ke neuron ke-j,
: laju belajar (learning rate).
Besarnya gradien dari fungsi eror terhadap bobot
ji
v adalah
m
k
k k
ji ji
y t
v v
E
1
2
) ( 5 . 0 .. (2.10)
sedangkan perubahan bobot dari neuron pada lapisan output ke hidden pada
lapisan input adalah
ji
ji
v
E
v
= . (2.11)
dengan
ji
v : bobot dari lapisan neuron ke-j ke neuron ke-i.
: learning rate.
2.5.7. Prediksi
Prediksi merupakan suatu proses yang menghasilkan himpunan output dari
himpunan variabel yang diberikan. Pada umumnya variabel yang dimaksud
adalah data di masa lampau. Ide dasar dari prediksi yakni mencari pendekatan
pemetaan antara data input dan output (Yao dan Tan 1999). Selanjutnya,
diasumsikan bahwa
i
u adalah data hari ini dan
i
v adalah data n hari kemudian.
Jika data n hari kemudian dapat diramalkan dengan menggunakan data hari ini,
maka terdapat pemetaan fungsional dari
i
u ke
i
v dimana ) (
i i i
u v = . Dengan
menggunakan pasangan data lampau ) , (
i i
v u maka sebuah fungsi umum ) ( yang
memuat ) (
i
dapat diperoleh. Fungsi ) ( dapat diperoleh dari simulasi ANN.
38
Secara umum, masalah peramalan dimulai dengan diketahuinya sejumlah data
time-series
n
x x x ,..., ,
2 1
. Permasalahannya adalah memperkirakan berapa harga
1 + n
x berdasarkan
n
x x x ,..., ,
2 1
. Dengan backpropagation, record data digunakan
sebagai data pelatihan.