Backpropagation

Pengertian Backpropagation merupakan sebuah metode sistematik pada jaringan saraf tiruan dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. Backpropagation adalah pelatihan jenis terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata.

Arsitektur Backpropagation

dimana :

X  = Masukan (input).

Vij  = Bobot pada lapisan tersembunyi.

Wij  = Bobot pada lapisan keluaran.

Voj  = Bias pada lapisan tersembunyi

Woj  = Bias pada lapisan tersembunyi dan lapisan keluaran.

J  = 1,2,3,…..,n.

n  = Jumlah unit pengolah pada lapisan tersembunyi.

k  = Jumlah unit pengolah pada lapisan keluaran.

Y = Keluaran hasil.

Arsitektur algoritma backpropagation terdiri dari tiga layer, yaitu input layer, hidden layer dan output layer. Pada input layer tidak terjadi proses komputasi, namun terjadi pengiriman sinyal input X ke hidden layer. Pada hidden dan output layer terjadi proses komputasi terhadap bobot dan bias dan dihitung pula besarnya output dari hidden dan output layer tersebut berdasarkan fungsi aktivasi tertentu. Dalam algoritma backpropagation ini digunakan fungsi aktivasi sigmoid biner, karena output yang diharapkan bernilai antara 0 sampai 1.

FAKTOR-FAKTOR DALAM PEMBELAJARAN BACKPROPAGATION

Beberapa faktor yang mempengaruhi keberhasilan algoritma backpropagation, antara lain:

·         Inisialisasi bobot

Bobot awal menentukan apakah jaringan akan mencapai global minima atau local minima kesalahan, dan seberapa cepat jaringan akan konvergen.

·         Laju pembelajaran

Laju pembelajaran merupakan parameter jaringan dalam mengendalikan proses penyesuaian bobot.  Nilai laju pembelajaran yang optimal bergantung pada kasus yang dihadapi.  Laju pembelajaran yang terlalu kecil menyebabkan konvergensi jaringan menjadi lebih lambat, sedang laju pembelajaran yang terlalu besar dapat menyebabkan ketidakstabilan pada jaringan.

·         Momentum

Momentum digunakan untuk mempercepat pelatihan jaringan.  Metode momentum melibatkan penyesuaian bobot ditambah dengan faktor tertentu dari penyesuaian sebelumnya.  Penyesuaian ini dinyatakan sebagai berikut:

Update bobot dengan momentum dirumuskan sebagai berikut :

  wjk(t+1) = wjk(t) + Dwjk  + h Dwjk(t-1)

  vij(t+1) = vij(t) + Dvij + h Dvij(t-1)        

Referensi : http://putriartyanti.blogspot.com/2011/12/backpropagation.html

Kesimpulan : Sebuah aplikasi yang digunakan untuk menemukan kesalahan minimum antar hasil predikasi dengan hasil yang nyata.