MAKALAH JARINGAN SYARAF TIRUAN
BACKPROPAGATION
Di Susun Oleh :
1.
Adhitama Kesatria N
(L2N008001)
2.
Afandi Nur Aziz T
(L2N008002)
3.
Alifvia Arvi N
(L2N008004)
4.
Ambrina Kundyanirum
(L2N008005)
JURUSAN SISTEM KOMPUTER FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO SEMARANG 2011
I.
Pendahuluan
Salah satu cabang cabang dari AI (Artificial (Artificial Intelligence Intelligence)) adalah apa yang dikenal dikenal dengan Jaringan Jaringan Saraf Tiruan (Artificial (Artificial Neural Network). Network). Jaringan saraf tiruan tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari dipelajari oleh jaringan jaringan saraf tiruan sehingga sehingga mempunyai mempunyai kemamp kemampuan uan untuk untuk member memberika ikan n keputu keputusan san terhad terhadap ap data data yang yang belum belum pernah pernah dipela dipelajari jari.. Dalam makalah ini akan dipelajari mengenai JST Backpropagation mulai dari algoritmanya sampai implementasinya. Usaha manusia dalam mengembang mengembangkan kan suatu sistem sistem yang meniru kemampuan kemampuan dan perilaku makhluk hidup telah berlangsung selama beberapa decade belakangan ini. Jaringan saraf tiruan (JST), merupakan hasil perkembangan ilmu dan teknologi yang kini sedang berk berkem emba bang ng pesa pesat. t. JST JST yang yang beru berupa pa susu susuna nan n selsel-se sell sara saraff tiru tiruan an (neu (neuro ron) n) diba dibang ngun un berda berdasar sarkan kan prinsipprinsip-pri prinsi nsip p
organi organisas sasii otak otak manusi manusia. a. Perhati Perhatian an yang yang besar besar pada pada JST JST
dise diseba babk bkan an adan adanya ya keun keungg ggul ulan an yang yang dimi dimili liki kiny nyaa sepe sepert rtii kema kemamp mpua uan n untu untuk k bela belajar jar,, komputasi paralel, paralel, kemampuan untuk memodelkan memodelkan fungsi nonlinier dan sifat fault tolerance. Sejak ditemukan pertama kali oleh McCulloch dan Pitts pada tahun 1948, JST telah berkembang pesat dan telah digunakan pada banyak aplikasi. Jaringan saraf tiruan (JST) telah dikembangkan sejak tahun 1940. Belum ada definisi yang baku mengenai JST ini. Teori yang menginspirasi lahirnya sistem jaringan saraf muncul dari bermacam disiplin ilmu : terutama dari neuro science, teknik, dan ilmu komputer, juga dari psikologi, matematika, fisika, dan ilmu bahasa. Ilmu-ilmu ini bekerja bersama untuk satu tujuan yaitu pengembangan sistem kecerdasan. II.
Pembahasan II.1.
Metode Backpropagation
Backpropagation (perambatan balik) adalah salah satu metode pembelajaran yang dapat diterapkan dalam JST. Backpropagation merupakan metode pembelajaran yang sangat popular di dalam JST. Arsitektur jaringannya tidak memiliki koneksi umpan balik tetapi error dipropagasikan selama training. Pada pembelajaran ini digunakan Error dengan menghitung Least Mean. Perambatan Perambatan galat mundur mundur (Backpropag (Backpropagation) ation) adalah sebuah sebuah metode metode sistematik sistematik untuk pelatihan pelatihan multiplayer multiplayer jaringan jaringan saraf tiruan. Metode ini memiliki dasar matematis matematis yang kuat, obyektif obyektif dan algoritma ini mendapatka mendapatkan n bentuk bentuk persamaan persamaan dan nilai koefisien koefisien
dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set) 1.
Dimula Dimulaii dengan dengan lapisa lapisan n masuka masukan, n, hitung hitung keluar keluaran an dari dari setiap setiap elemen elemen
pemroses melalui lapisan luar. 2.
Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual
dan target. 3.
Transf Transform ormasi asikan kan kesalah kesalahan an tersebu tersebutt pada pada kesala kesalahan han yang yang sesuai sesuai di sisi sisi
masukan elemen pemroses. 4.
Propag Propagasi asi balik balik kesala kesalahan han-kes -kesala alahan han ini pada pada keluar keluaran an setiap setiap elemen elemen
pemro pemroses ses ke kesalah kesalahan an yang yang terdap terdapat at pada pada masuka masukan. n. Ulangi Ulangi proses proses ini sampai sampai masukan tercapai. 5.
Ubah seluruh bobot dengan dengan menggunaka menggunakan n kesalahan kesalahan pada sisi masukan
elemen dan luaran elemen pemroses yang terhubung.
II.2.
Arsitektur JS JST Ba Backpropagation
Contoh Arsitekstur JST Backpropagation dengan:
unit masukkan
unit layer tersembunyi
unit keluaran
Layer Masukan
II.3.
Layer Tersembunyi
Layer Keluaran
Fungsi Aktifasi
Fungsi Fungsi aktifasi aktifasi yang digunakan digunakan pada backpropagation backpropagation yaitu sigmoid sigmoid biner dan sigmoid sigmoid bipolar.
II.4.
Algoritma Pe Pelatihan Bac Backpropagation
Algori Algoritma tma Pelatih Pelatihan an Backpr Backpropa opagat gation ion dengan dengan satu satu layer layer tersem tersembun bunyi yi dan dengan dengan menggunakan fungsi aktivasi sigmoid biner.
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.
Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai
dengan 8.
Langkah 2: Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8
Fase I: Propagasi Maju
Langkah 3
Tiap unit masukkan menerima sinyal dan meneruskan ke unit tersembunyi
Langkah 4
Hitung semua keluaran di unit tersembunyi (Z j):
Langkah 5
Hitung semua jaringan di unit keluaran (y k).
Fase II : Propagasi Mundur
Langkah 6
Hitung Hitung factor factor δ
unit unit kelu keluar aran an berd berdas asar arka kan n kesa kesala laha han n seti setiap ap unit unit kelu keluar aran an yk
(k=1,2,3….) =(t =(tk -y -yk ) f’(y_net k )= )= (tk -y -yk ) yk (1-yk )
k
δ
k
meruap meruapaka akan n unit unit kesala kesalahan han yang yang akan akan dipaka dipakaii dalam dalam peruba perubahan han bobot bobot layer layer
dibawahnya (langkah 7) Hitung suku perubahan bobot W kj dengan laju perubahan α Δwkj= α
z
; k=1,2,3,…,m k=1,2,3,…,m ; j=0,1,2,…,p j=0,1,2,…,p
k j
Langkah 7
Hitung factor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi z j (j=1,2,3,…,p)
Faktor unit tersembunyi j
=
_net j f’(z_net j)=
_net j z j (1-zz)
Hitung suku perubahan bobot v ji Δv ji=α
x
j i
; j=1,2,…,p ; i=0,1,2,…,n
Fase III : Perubahan Bobot
Langkah 8
Perubahan bobot garis yang menuju unit keluaran wkj (baru)= wkj (lama) + Δwkj
Perubahan bobot garis yang menuju ke unit tersembunyi V ji (baru)= v ji (lama) + Δv ji
II.5.
Laju Pemahaman
Laju pemahaman di simbolkan dengan α
Laju pemahaman menentukan lama iterasi
Nilai dari α diantara 0 sd 1
Semakin besar nilai α semakin cepat lama iterasi
Akan tetapi jika terlalu besar akan merusak pola, sehingga justru akan lebih
lama iterasinya.
II.6.
Epoch
Epoch yaitu satu siklus pelatihan yang melibatkan semua pola
Misal jika suatu arsitektur JST terdapat 4 pola masukkan dan 1 target, maka pelatihan 4 pola masukkan tersebut adalah 1 epoch
II.7.
Implementasi JST Backpropagation
1.
Untuk Pengenalan Pola
Cont Contoh oh : Impl Implem emen enta tasi si Jari Jaring ngan an Saraf Saraf Tiru Tiruan an Back Backpr prop opag agat atio ion n Pada Pada Apli Aplika kasi si Pengen Pengenala alan n Wajah Wajah Dengan Dengan Jarak Jarak Yang Yang Berbed Berbeda, a, Metode Metode Jaring Jaringan an Saraf Saraf Tiruan Tiruan Backpropagation untuk Pengenalan Huruf Cetak pada Citra Digital. 2.
Untuk Peramalan / Perkiraan
Cont Contoh oh
:
Impl Implem emen enta tasi si
Jari Jaring ngan an
Sara Saraff
Tiru Tiruan an
Back Backpr prop opag agat atio ion n
Untu Untuk k
Meramalkan Harga Penjualan Crude Palm Oil, Aplikasi Jaringan Syaraf Tiruan
sebagai Metode Alternatif Prakiraan Beban Jangka Pendek.
III.
Penutup a.
1.
Kesimpulan
Pada Pada JST Backpr Backpropa opagat gation ion,, menggu menggunak nakan an hidden hidden layer, layer,sup superv ervise ised, d, dan memiliki kemampuan pembelajaran.
2. Penerapan Penerapan JST Backpro Backpropagati pagation on biasanya biasanya digunaka digunakan n untuk pengen pengenalan alan pola pola & untuk peramalan atau perkiraan. 3.
JST Backpropagation menggunakan fungsi aktifasi sigmoid biner dan sigmoid bipolar.
4.
Keunggulan utama JST adalah kemampuan komputasi yang pararel dengan cara belajar dari pola-pola yang diajarkan
b.
Saran
1. Harus teliti saat menghi menghitung tung keluaran keluaran yang yang akan akan dihasilk dihasilkan. an. 2. Jumlah Jumlah epoch epoch harus sesuai sesuain n dengan dengan input input dan output output yang yang dihasikan dihasikan..
IV.
Daftar Pu Pustaka 1.
Sri Kusumadewi. Buku ajar Kecerdasan Buatan, Teknik Informatika UII , Yogyakarta, 2002.
2.
Sutikno., 2010. Algoritma JST Backpropagation & implementasinya [online]
http://sutikno.blog.undip.ac.id/files/.../2.1-Algoritma-JST-backpropagation ,
diakses
tanggal 23 Mei 2011). 3.
NN., 2009. Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek [online] http://www.elektroindonesia.com/elektro/ener29.html, diakses 23
Mei 2011). 4.
NN., 2011. JST Backprogagation Project [online] (http://simplyknowledge.wordpress.com/2011/01/22/jst-backproaation/, diakses tanggal 23 Mei 2011).
