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. (F.Suhandi, 2009)

Metode Backpropagation

Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set).

1.      Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar.

2.      Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target.

3.      Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses.

4.      Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.

5.      Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan luaran elemen pemroses yang terhubung.

Gambar diatas merupakan layar utama dari backpropagation.

Dari layar tersebut terlihat ada 4 (empat) manu utama, antara lain Network, Sample, Grafik, dan  Reset Bobot.

Network         :: menu ini berfungsi sebagai pengontrolan file jaringan. Network mempunyai submenu, antara lain :

-          Load         :  untuk pemanggilan file.

-          Save          :  untuk menyimpanan file.

-          New          :  untuk membuat file baru.

-          Exit            :  untuk mengakhiri aktifasi.

Sample            ::  menu ini berisi fungsi-fungsi yang berkaitan dengan file utama, submenu yang terdapat ni menu sample antara lain :

-          Open         :  untuk membuka/memanggil file yang kita inginkan.

-          Refresh     :  untuk me-refresh file.

Grafik              ::  menu ini berfungsi untuk membuka tampilan grafik fungsi kesalahan.

Reset Bobot   ::  menu ini berfungsi untuk mengembalikan nilai bobot dan bias jaringan ke nilai awalnya.

Adapula menu-menu yang berada di bawah menu utama, antara lain Jaringan, Bobot dan Bias, Sample, Neuron, Belajar dan Delta Bobot_Bias.

Jaringan

Pada menu jaringan terdapat Fungsi Output Neuron yang terdiri dari Hidden Layer (neuron tersembunyi) dan Output Layer (neuron output) yang digunakan untuk pengembangan lebih lanjut dari aplikasi ini. Data Control berfungsi sebagai tombol-tombol yang digunakan untuk mengontrol data. Pada baris OUT1 dan OUT2 kolom Sample berisi nilai ideal, sedangkan baris OUT1 dan OUT2 kolom NN(Neuronal Network) berisi hasil penilaian jaringan.

Bobot dan Bias

Pada menu Bobot dan Bias berisi nilai-nilai bobot dan bias jaringan. Matikan Neuron berfungsi untuk menolkan nilai bobot dan bias. Kunci Neuron berfungsi untuk mematok parameter neuron pada nilai aktual. Buka Kunci Neuron berfungsi untuk membuka kunci yang dipakai melalui tombol-tombol kunci pada neuron. Set Sebagai Nilai Awal berfungsi untuk menyimpan nilai-nilai aktual parameter jaringan ke memori, agar dapat dipanggil jika diperlukan. Reset Ke Nilai Awal berfungsi untuk memanggil kembali nilai-nilai tersebut. Reset Ke Nol berfungsi membuat seluruh nilai bobot dan bias jaringan menjadi nol. Acak Nilai Bobot berfungsi untuk mengisi nilai bobot dan bias dengan bilangan random pada interval yang ditentukan.

Sample

Pada menu Sample ini, pengguna dapat memodifikasi data, termasuk flag data aktif yang berada di dalam kolom ‘aktif’.

Neuron

Pada menu Neuron ini user hanya melihat suatu tampilan untuk memantau nilai input, output dan sensitivitas pada neuron-neuron jaringan.

Belajar

Pada menu Belajar ini, user dapat mengendalikan dan mengatur nilai parameter-perameter belajar jaringan yang terdiri Laju Belajar(Learn Rate), Stroping Criteria Error, Jumlah Step dan Momentum. #Epoch menunjukkan jumlah langkah belajar yang telah dijalani oleh jaringan.

Delta Bobot_Bias

Pada menu Delta Bobot_Bias ini, menampilkan perubahan nilai bobot yang akan terjadi jika proses belajar dijalankan satu kali. Delta bobot adalah perubahan nilai bobot untuk record sample aktual. Delta Bobot Total adalah total perubahan nilai bobot untuk seluruh record aktif dari file sample.

Silahkan download disini

Atau bisa download file yang lebih lengkap
semoga bermanfaat...