1. Jaringan Adaptif

Jaringan Adaptif adalah struktur jaringan yang terdiri dari sejumlah node

(neuron) yang terhubung melalui penghubung secara langsung (Directional

Links). Jaringan Adaptif terdiri dari Node atau Neuron dan Directional Link. Tiap

node menggambarkan sebuah unit pemroses dalam sebuah jaringan. Direction

links merupakan penghubung antar node yang menentukan hubungan kausal

antara node yang saling berhubungan, serta menentukan arah perambatannya.

Node menurut sifatnya terdiri dari Adaptive Node dan Fixed Node.

Adaptive Node artinya keluaran (output) dari node tersebut bergantung pada

parameter, sedangkan output yang tidak bergantung pada parameter disebut Fixed

Node. Setiap node menerima input data, memprosesnya, kemudian mengeluarkan

sebuah output tunggal.

Jaringan merupakan kumpulan node-node yang terhubung, yang

dikelompokkan dalam lapisan-lapisan (layers). Arsitektur Jaringan Adaptif

berguna untuk mengatur pola hubungan dalam lapisan dan antar lapisan. Jaringan

dapat dirancang untuk menerima sekumpulan nilai input yang berupa nilai biner

atau kontinu. Dalam hal arsitektur berlapis, ada 2 struktur dasar:

1. Single Layer: struktur 2 lapisan yang terdiri input dan output.

2. Multi Layer: struktur 3 lapisan yang terdiri dari input, intermediate atau

hidden dan output.

Input dapat berasal dari data mentah maupun dari outpun yang lain,

sedangkan output dapat berupa produk final, ataupun menjadi input bagi node

lainnya.Input layer menerima data dari luar lalu mengirimkan output ke lapisan

berikutnya. Hidden layer atau intermediate tidak berinteraksi secara langsung

dengan dunia luar, tetapi dapat menambah tingkat kompleksitas agar jaringan

dapat beroperasi dalam masalah yang lebih kompleks. Output dari sebuah jaringan

adalah solusi dari masalah.

Jaringan adaptif berdasarkan pola koneksinya: feedforward dan feedback

(recurrent). Jaringan Adaptif dikatakan Feedforward jika signal bergerak dari

input kemudian melewati lapisan tersembunyi (hidden layer) dan akhirnya

mencapai unit output (mempunyai struktur perilaku yang stabil). Tipe jaringan

feedforward mempunyai sel syaraf yang tersusun dari beberapa lapisan. Yang

termasuk dalam struktur feedforward : Single-layer perceptron, Multilayer

perceptron, Radial-basis function networks, Higher-order networks, dan

Polynomial learning networks. Suatu jaringan dikatakan Recurrent jika suatu

jaringan berulang (mempunyai koneksi kembali dari output ke input) akan

menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat

kompleks. Yang termasuk dalam stuktur recurrent (feedback : Competitive

networks, Self-organizing maps, Hopfield networks dan Adaptive-resonance

theory models.

Gambar 1

Jaringan adaptif dalam penerapannya dibagi menjadi dua yaitu Jaringan

Saraf Tiruan dan ANFIS (Adaptif Neural Fuzzy Inference System). Jaringan Saraf

Tiruan adalah jaringan adaptif yang directional link-nya memiliki bobot. Bobot

atau parameter ini merupakan kekuatan relatif dari berbagai koneksi yang

mentransfer data dari layer ke layer lainnya. Bobot ini sangat berperan penting

dalam menghasilkan output yang diinginkan. Dalam Jaringan Saraf Tiruan

terdapat pula fungsi aktivasi yang dipakai untuk metode pembelajaran

backpropagation yang harus memiliki sifat kontinu, tak terturunkan, dan

merupakan fungsi tidak turun. Backpropagation merupakan metode turunan

gradient untuk meminimalkan total error measure, yaitu perbedaan antara output

yang diinginkan dan output jaringan yang sebenarnya. ANFIS adalah Jaringan

Adaptif yang berbasis fuzzy inference system.

Jaringan Adaptif dapat digunakan sistem identifikasi. Sistem identifikasi

ini adalah masalah penentuan model matematis untuk sistem yang diketahui atau

sistem target dengan mengamati pasangan data input-outputnya.

Contoh Jaringan Adaptif:

1. Jaringan adaptif dengan sharing parameter

Pada gambar 2 (a). Misal: , dimana dan adalah input dan

output, sedangkan adalah parameternya. Dalam kasus ini, tidak ada input

sehingga output-nya adalah parameter itu sendiri. Hal ini dapat digunakan dalam

kasus gambar 2 (b) parameter sharing, dimana ada 2 node adaptif, u = g(x,a) dan

v = h(y,a) yang berbagi dengan parameter yang sama yaitu .

(a) (b)

Gambar 2

Topological Ordering Representation merupakan kasus khusus dari layered

representation dimana setiap layernya hanya terdapat satu node seperti Gambar 3.

Gambar 3

2. Jaringan adaptif dengan single linear node

Pada Gambar 4. Misal:

, dimana dan adalah input dan adalah output, sedangkan dan

adalah parameternya yang dapat diubah-ubah. Output didapat dari

dengan parameternya yaitu dan .

Gambar 4

3. Jaringan Perseptron

Jaringan Perseptron biasanya digunakan untuk mengklasifikasikan suatu

tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada

dasarnya, Jaringan perseptron dengan satu lapisan memiliki bobot yang bisa diatur

dan suatu nilai ambang. Pada Gambar 5. Misal:

dan

{

.

Fungsi sigmoid biner :

Jaringan perseptron menggunakan fungsi sigmoid biner karena jaringan ini

membutuhkan nilai output yang terletak pada interval 0 sampai 1, serta Output

terus menerus berubah-ubah tetapi tidak berbentuk linear. Fungsi sigmoid ini juga

memiliki sifat kontinu, terturunkan dan merupakan fungsi tak turun. Output

didapatkan dari fungsi dimana adalah dengan parameternya

dan .

Gambar 5

4. Multilayer Perceptron

Multilayer Perceptron adalah jaringan perseptron yang memiliki input

layer, hidden layer, dan output layer. Pada Gambar 6. Misal:

( ) dimana dan adalah input, adalah

bobot, adalah fungsi threshold, sedangkan dan adalah output. Pada fungsi

threshold, output diatur satu dari dua tingkatan tergantung dari jumlah input yang lebih

besar atau lebih kecil dari nilai ambang. Pada gambar ini menunjukkan terdapat tiga

input, dua output, dan tiga hidden layer.

Gambar 6

2. Backpropagation

Backpropagation merupakan model jaringan adaptif dengan multiple

layer. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara

kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta

kemampuan jaringan untuk memberikan respon yang benar terhadap pola

masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama

pelatihan.

Fungsi Aktivasi pada Backpropagation

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi

beberapa syarat sebagai berikut.

1. Kontinu

2. Terdiferensial dengan mudah

3. Merupakan fungsi yang tidak turun

Backpropagation pada Jaringan Feedfoward

Pada jaringan feedfoward (umpan maju) pelatihan dilakukan dalam rangka

perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang

baik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk

meminimumkan error (kesalahan) yang terjadi. Error (kesalahan) dihitung

berdasarkan rata-rata kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan juga

dijadikan dasar perhitungan unjuk kerja fungsi aktivasi. Sebagian besar pelatihan

untuk jaringan feedfoward (umpan maju) menggunakan gradien dari fungsi

aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka

meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu

teknik yang disebut backpropagation.

Pelatihan backpropagation meliputi 3 fase sebagai berikut.

a) Fase 1, yaitu propagasi maju.

Pola masukan dihitung maju mulai dari input layer hingga output layer

menggunakan fungsi aktivasi yang ditentukan.

b) Fase 2, yaitu propagasi mundur.

Selisih antara keluaran jaringan dengan target yang diinginkan merupakan

kesalahan yang terjadi. Kesalahan yang terjadi itu dipropagasi mundur.

Dimulai dari garis yang berhubungan langsung dengan unit-unit di output

layer.

c) Fase 3, yaitu perubahan bobot.

Modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase

tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.

Pemilihan bobot awal sangat mempengaruhi jaringan aditif dalam

mencapai minimum global (atau mungkin lokal saja) terhadap nilai error

(kesalahan) dan cepat tidaknya proses pelatihan menuju kekonvergenan.

Apabila bobot awal terlalu besar maka input (masukan) ke setiap hidden

layer atau output layer (keluaran) akan jatuh pada daerah dimana turunan

fungsi aktivasinya akan sangat kecil. Apabila bobot awal terlalu kecil,

maka input (masukan) ke setiap hidden layer atau output layer (keluaran)

akan sangat kecil. Hal ini akan menyebabkan proses pelatihan berjalan

sangat lambat. Biasanya bobot awal diinisialisasi secara random dengan

nilai antara -0.5 sampai 0.5 (atau -1 sampai 1 atau interval yang lainnya).

Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk

pengenalan pola. Dalam hal ini, hanya propagasi maju saja yang dipakai

untuk menentukan keluaran jaringan.

Backpropagation pada Jaringan Recurrent

Backpropagation Through Time ( BPTT )

Jaringan dioperasikan secara serentak dalam mengidentifikasi satu set

parameter yang akan membuat output dari node (atau beberapa node) mengikuti

lintasan yang diberikan dalam domain waktu diskrit. Metode penyelesaian di sini

dilakukan dengan mengubah jaringan berulang menjadi feedforward satu, selama

waktu tidak melebihi maksimum . Ide ini awalnya diperkenalkan oleh Minsky

dan Papen dan dikombinasikan dengan backpropagation oleh Rumelhart, et al.

Gambar di (a) mempunyai konfigurasi yang sama dengan gambar (b) tetapi

variabel input dan dihilangkan agar bentuknya lebih sederhana. Gambar (b)

berbentuk jaringan feedforward dengan indeks waktu berjalan dari 1 sampai 4.

Jaringan recurrent mengevaluasi pada masing-masing fungsi simpul tersebut

dengan , kita dapat hanya menduplikasi semua unit waktu dan

mengatur jaringan yang dihasilkan dengan cara berlapis. Dua

jaringan pada Gambar (a) dan (b) berperilaku identik untuk sampai ,

asalkan semua salinan parameter di waktu yang berbeda langkah tetap sama.

(a) synchronously operated recurrent network

(b) feedforward equivalent obtained via unfolding of time

Real-Time Recurrent Learning (RTRL)

BPTT umumnya bekerja dengan baik untuk sebagian besar masalah, satu-

satunya komplikasi adalah bahwa Hal ini membutuhkan sumber daya yang luas

komputasi ketika panjang urutan besar, karena duplikasi node membuat kedua

persyaratan memori dan simulasi waktu sebanding dengan . Oleh karena itu,

untuk urutan sangat panjang atau urutan panjang tidak diketahui harus digunakan

Real-Time Recurrent Learning (RTRL) (untuk memperbarui parameter sementara

jaringan berjalan bukan pada akhir urutan yang disajikan). Untuk menyimpan

perhitungan dan kebutuhan memori , pilihan yang masuk akal adalah untuk

meminimalkan pada setiap langkah waktu daripada mencoba untuk

meminimalkan pada akhir urutan.

Jaringan Operasi kontinu

Menentukan nilai error propagation dari jaringan recurrent dalam waktu

yang kontinu, salah satu metode yang dipergunakan adalah dengan

menggunakan rumus Mason gain.

Rumus Masson’s Gain dipergunakan untuk menentukan hubungan antara

input varible dan output variable dalam grafik aliran sinyal sebab dapat dipakai

dalam penyelesaian bentuk-bentuk kasus praktis. Dimana transmisi antara input

node dan output node merupakan penguatan keseluruhan, atau transmisi

keseluruhan antara dua buah node.

Rumus Mason’s Gain:

∑

∑

∑

Keterangan:

= total semua gain

= gain atau transmisi lintasan maju

= determinan grafik

= ∑

∑

∑

∑

= Jumlah dari semua penguatan loop yang berbeda

∑

=

Jumlah hasil kali penguatan dari semua,

kombinasi yang mungkin dari dua

loop yang tidak bersentuhan.

∑

=

Jumlah hasil kali penguatan dari semua kombinasi

yang mungkin dari tiga loop yang tidak

bersentuhan. dst.

=

Kofaktor dari determinan lintasan maju ke

dengan menghilangkan loop-loop yang menyentuh

lintasan maju ke .

Contoh mencari error propagation menggunakan Rumus Mason’s Gain

Tentukan error propagation yang melewati node 3

Jawab: terdapat dua input yang bisa mengalir ke node 3.

a. Maka kita tinjau terlebih dahulu input I1 (5-4-3-5 dan 5-6-4-3-5)

Tentukan terlebih dahulu loop yang ada di dalam diagram yang dilewati

input 1 seperti berikut.

Hitung jumlah loop. Dari diagram di atas diketahui ada 3 loop, yang nanti

diberi nama dan

Loop 1 (5-4-3); ,

Loop 2 (5-6-4-3); ,

Loop 3 (6);

Tentukan terlebih dahulu dan tentukan loop mana yang tidak saling

bersentuhan

Dua loop yang tidak saling bersentuhan adalah loop 1 dan loop 3, dan

tidak ada tiga loop yang tidak bersentuhan, maka

Karena ada dua sinyal alir yang bisa melewati node 3 yakni melalu node 5-

4-3 dan 5-6-4-3, maka

Kemudian cari dan masing-masing. Mencari sesuai bobot sinyal

alir yang dilewati menuju node 3, sedangkan untuk rumus mencari

(∑ yang tidak menyentuh sinyal alir)

= 1 sinyal alir (5-4-3) = 2 sinyal alir (5-6-4-3)

= =

1 (semua loop menyentuh sinyal

alir)

(Karena hanya loop 3 saja yang tidak menyentuh sinyal alir 1) maka dari

input 1 diperoleh :

∑

b. Kemudian kita tinjau input 2 (6-4-3-5-6). Dengan cara yang sama dari

input 1

Tentukan terlebih dahulu loop yang ada di dalam diagram yang dilewati

input 2 seperti berikut.

Dengan sinyal alir dari input ke input lagi yakni 6-4-3-5-6. Sama

seperti input 1, terdapat 3 loop sehingga nilai

.

Karena hanya ada satu sinyal alir yang bisa melewati node 3 yakni

melalu node 6-4-3 saja, maka

Kemudian cari dan masing-masing.

= 1 sinyal alir (6-4-3)

=

(semua loop menyentuh sinyal alir)

Maka dari input 2 diperoleh :

∑

Total sinyal error dari node 3

3. HYBRID LEARNING RULE :COMBINING STEEPEST DESCENT dan

LSE

Sebenarnya ada dua paradigma pembelajaran bagi jaringan adaptif.

Dengan metode Batch Learning (atau off-line learning) yang dilakukan dengan

cara meng-update rumus untuk parameter didasarkan pada

∑

dan tindakan pembaruan terjadi hanya setelah data pelatihan seluruhnya telah

disajikan, yakni hanya setelah setiap epoch ( iterasi).

Di sisi lain, Pattern-By-Pattern Learning (atau on-line Learning) adalah

metode pembelajaran yang menginginkan parameter yang akan diperbarui segera

setelah masing-masing pasangan input-output telah disajikan, maka rumus

pembaruan didasarkan pada

∑

1. Hybrid Learning: Off-Line Learning (Batch Learning)

Meskipun kita dapat menerapkan metode gradien untuk mengidentifikasi

parameter dalam jaringan adaptif, metode ini umumnya lambat dan cenderung

hanya menemukan minimum lokal. Untuk mengatasi hal ini, ada sebuah

pembelajaran hibrida yang menggabungkan Metode Gradien dan Metode Kuadrat

Terkecil (LSE) untuk mengidentifikasi parameter.

Untuk mempermudah, asumsikan bahwa jaringan adaptif hanya memiliki satu

output

Keterangan:

: himpunan variabel input

S : himpunan parameter

Jika terdapat fungsi dan fungsi adalah linear dalam beberapa

elemen dari , maka elemen-elemen ini dapat diidentifikasi dengan metode

kuadrat terkecil.

dengan adalah vektor yang elemen-elemennya diketahui parameter di S1 .

Setiap zaman prosedur pembelajaran hybrid ini terdiri dari lulus maju dan lulus

mundur. Keterangan:

S1 = bobot dan ambang batas lapisan tersembunyi

S2 = bobot dan ambang batas lapisan output

Oleh karena itu, kita dapat menerapkan aturan pembelajaran

backpropagasi untuk menyesuaikan parameter dalam lapisan tersembunyi, dan

parameter pada lapisan output dapat diidentifikasi dengan metode kuadrat terkecil.

Contoh Off-Line learning :

Trainning set berisi 500 input-output pasang, maka masing-masing berat dalam

jaringan saraf disesuaikan 1000 kali.

2. On-Line Learning (Pattern-By-Pattern Learning)

Pattern-By-Pattern (On-Line) Learning adalah memperbarui parameter

setelah setiap penyajian data. Paradigma pembelajaran ini sangat penting untuk

sistem dengan perubahan karakteristik. Untuk sekuensial kuadrat terkecil formula

untuk memperhitungkan karakteristik waktu bervariasi dari data yang masuk, kita

perlu melakukan transformasi data lama sebagai pasangan data baru. Salah satu

metode sederhana adalah merumuskan ukuran kesalahan squared yang

memberikan bobot yang lebih tinggi untuk lebih banyak pasangan data terbaru.

Dengan menggunakan pembelajaran prosedur hybrid, arsitektur yang

diusulkan dapat memperbaiki fuzzy aturan if-then yang diperoleh dari para pakar

untuk menggambarkan input-output perilaku sistem yang kompleks . Namun, jika

tidak ada ahli pakar, kita masih bisa mengatur secara intuitif (berdasarkan data,

percobaan, dll) fungsi keanggotaan awal dan proses pembelajaran untuk

menghasilkan satu set fuzzy aturan if-then untuk mendekati yang diinginkan. Contoh On-Line Learning:

Trainning set berisi 500 input-output pasang, mode ini menyesuaikan bobot 500

kali untuk setiap kali algoritma melalui set trainning. Jika algoritma konvergen

setelah 1000 iterasi, masing-masing berat disesuaikan total 50.000 kali

3. Different Ways of Combining Steepest Descent and LSE

Perhitungan metode kuadrat terkecil lebih kompleks dibandingkan dengan

Steepest Descent. Ada empat metode untuk memperbarui parameter , seperti yang

tercantum di bawah ini sesuai dengan kompleksitas :

1. One pass of LSE only

2. Steepest Descent Only

Semua parameter diperbarui oleh keturunan gradien .

3. One Pass of LSE followed by SD

4. The LSE

Diterapkan hanya sekali di awal untuk mendapatkan nilai awal parameter

konsekuen dan kemudian gradient descent mengambil alih untuk

memperbarui semua parameter.

5. Steepest Descent dan LSE

6. LSE only

4. Aplikasi

Pada makalah ini, akan dibahas pula penerapan atau aplikasi dari materi

yang telah dijelaskan sebelumnya. Aplikasi dari materi ini disadur dari Skripsi

yang ditulis oleh Suwarno (Alumni Departemen Matematika 42) dengan judul

“Aplikasi Jaringan Syaraf Tiruan Berbasis Metode Backpropagasi untuk

Memprediksi Konsentrasi Gula Darah”.

Dalam ilmu kedokteran, gula darah adalah tingkat glukosa di dalam darah.

Konsentrasi gula darah atau tingkat glukosa serum diatur di dalam tubuh.

Konsentrasi gula darah dalam tubuh yang melebihi ambang batas menyebabkan

komplikasi penyakit, salah satunya risiko serangan jantung. Oleh sebab itu,

mengetahui konsentrasi gula darah di dalam tubuh sangat penting untuk setiap

orang. Penelitian ini memberikan suatu metode untuk memprediksi konsentrasi

gula darah yang diharapkan dapat mengefisienkan biaya dan waktu proses, relatif

dibanding dengan metode konvensional.

Pada penerapan aplikasi ini, dijelaskan cara menggunakan jaringan syaraf

tiruan untuk mengetahui tingkat glukosa di dalam darah seseorang. Penentuan

nilai konsentrasi gula darah membutuhkan data masukan (input) untuk

membangun struktur jaringan syaraf tiruan. Data input berupa data kuat arus

listrik (i) dan waktu (t), sedangkan data output berupa data konsentrasi gula darah

(s). Data input ini diperoleh dari nilai keluaran suatu alat yang dinamakan alat

biosensor amperometrik, yaitu berupa data kuat arus listrik, waktu reaksi dengan

enzim, dan konsentrasi gula darah. Sistem jaringan syaraf ini akan digabungkan

dengan alat biosensor amperometrik.

Gambar 1 Alat biosensor amperometrik.

Berikut ini adalah data masukan (input) dan data keluaran (output) yang

merupakan target yang diharapkan. Data ini diperoleh dengan menggunakan alat

biosensor amperometrik.

Tabel 1 Data Input dan Output

Implementasi jaringan syaraf tiruan (JST) dilakukan dengan menggunakan

software MATLAB R2008b yang didesain untuk menyelesaikan suatu model

jaringan syaraf tiruan backpropagation. Perambatan galat mundur

(backpropagation) adalah metode sistematik untuk pelatihan multilayer jaringan

syaraf tiruan. Algoritma backpropagation meliputi tiga fase sebagai berikut:

1. Fase propagasi maju

2. Fase propagasi mundur

3. Fase perubahan bobot

Ketiga fase tersebut diulang terus menerus hingga kondisi penghentian

terpenuhi. Struktur jaringan syaraf tiruan (JST) yang digunakan dalam aplikasi ini

diasumsikan sebagai struktur jaringan syaraf tiruan yang dibentuk terdiri dari

lapisan input dengan 2 neuron, lapisan tersembunyi dengan 3 neuron, dan lapisan

output dengan 1 neuron, seperti yang terlihat pada gambar berikut:

Gambar 2 Struktur JST multilayer net.

dengan → , → , 𝑏 𝑏 → & 𝑏 𝑠 → 𝑣 dan 𝑠 → .

Dilakukan metode algoritma backpropagation dengan mengambil data

input dan data ouput sebagai target yang telah dijelaskan pada gambar 2. Namun,

untuk mengolah data tersebut, diperlukan juga nilai bobot dan bias yang diperoleh

dengan cara membangkitkan bilangan acak yang sangat kecil oleh komputer serta

fungsi aktivasi. Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner,

yaitu: 1

( )1 x

f xe

dengan fungsi turunannya

2

'( )1

x

x

ef x

e

.

Dalam backpropagation, fungsi aktivasi yang digunakan harus memenuhi

beberapa syarat yaitu kontinu, terdiferensial dengan mudah, dan merupakan fungsi

yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut

sehingga sering digunakan adalah fungsi sigmoid biner yang memiliki range Misalkan juga diperoleh nilai data-data sebagai berikut:

Bobot Lapisan

Tersembunyi

Bobot Lapisan

Output Bias

11 0.1w 21 0.1w 1 0.1v 11 0.1bias

12 0.2w 22 0.2w 2 0.2v 𝑏 𝑠

13 0.1w 23 0.1w 3 0.1v

Tabel 2 Nilai Bobot dan Bias

Pada tabel 1 nomor 1, terdapat data input dengan 884 733 𝑠

9 dan pada tabel 2, terdapat 11 0.1w 21 0.1w

11 0.1bias

Fase Propagasi Maju

1. Tentukan nilai 𝑧

11 1 11 2 21 11

0.8841 0.1 0.1 0.1 0.

9 1

1

0.1 84

netz x w x w bias

2. Gunakan fungsi aktivasi untuk menghitung nilai 1z

1 11

0.19841

0.19841

0.54941

1

netz f z

f

e

3. Hitung nilai

seperti cara 1

1 1 1 1

0.5494 0.1 0.

0.2549

2

nety z v bias

4. Gunakan fungsi aktivasi kembali untuk menghitung nilai y

1

0.2549

1

1

0.2549

0.5633

nety f y

f

e

Fase Propagasi Mundur

Bandingkan nilai y yang diperoleh dengan cara perhitungan dengan target

nilai y yang diperoleh dengan alat biosensor amperometrik. Karena

diperoleh nilai 0.5633y (perhitungan) tidak sama dengan nilai target

𝑠 9 (alat biosensor amperometrik) maka perlu dilakukan pencarian

bobot yang baru sehingga nilai erornya menjadi sangat kecil.

Fase Perubahan Bobot

1. Tentukan nilai bobot baru

1 1

0.5633

20.5633

'

0.9 0.56331

0.0778356

nett y f y

e

e

dengan adalah unit kesalahan (eror).

11 1 1

0.5 0.0778356 0.884

0.03

1

44

w x

dengan adalah laju pembelajaran yang nilainya kita tentukan

sendiri.

11 11 11

0.1 0.0344

0.1344

w baru w lama w

2. Tentukan nilai bias baru seperti

1 1 1

0.5 0.077 08356 .5494

0.0213

v z

1 1 1

0.1 0.0213

0.1213

v baru v lama v

Setelah bobot dan bias baru diperoleh, dilakukan perhitungan kembali seperti pada

FASE PROPAGASI MAJU. Hal ini dilakukan secara terus menerus hingga

diperoleh error yang sangat kecil.

5. KESIMPULAN

Proses ini dilakukan terus menerus hingga menemukan struktur jaringan

syaraf tiruan (JST) yang optimal sehingga jika terdapat data yang baru maka nilai

prediksi tidak jauh berbeda dengan nilai sebenarnya. Disebut jaringan adaptif

karena sistem dapat memperbaiki kesalahan sehingga diperoleh unit kesalahan

(error) yang sangat kecil.

LAMPIRAN

Agenda Pertemuan

Presensi

Nama Pertemuan 1 Pertemuan 2 Pertemuan 3

Prama Adistya W Izin acara Hadir Hadir

Bilyan Ustazila Hadir Hadir Hadir

Marini Izmalita Hadir Hadir Hadir

Eka Pujiyanti Hadir Hadir Hadir

Ego Praniki S Izin acara Izin masih dalam

perjalanan menuju

Bogor

Hadir

Danang K. Izin ngajar Hadir Hadir

Fachriyatul Ivada Hadir Hadir Hadir

Hani Asri G. Hadir Hadir Hadir

Shoviatun Nisa Izin kuliah SC Hadir Hadir

Tanggal Waktu Agenda

09/12/13 10.00-10.30 Briefing dan persiapan

akhir persentasi

07/12/13 08.00-16.00 Membuat slide, pembagian

job persentasi

05/12/13 15.00-17.00 Konsultasi dengan Ibu Sri

04/12/13 10.00-13.00 Mendalami materi,

mempersiapkan

pembahasan untuk

dikonsultasikan dengan

Ibu Sri

02/12/13 10.00-13.00 Persentasi dan

pengumpulan job masing-

masing, mencari materi

pendukung.

28/12/13 10.00-10.30 Pembagian job untuk

memndalami materi dan

mempersiapkan agenda

selanjutnya

Nama Pertemuan 4 Pertemuan 5 Pertemuan 6

Prama Adistya W Hadir Hadir Hadir

Bilyan Ustazila Hadir Hadir Hadir

Marini Izmalita Hadir Hadir Hadir

Eka Pujiyanti Hadir Hadir Hadir

Ego Praniki S Hadir Hadir Hadir

Danang K. Izin kuliah Hadir Hadir

Fachriyatul Ivada Hadir Hadir Hadir

Hani Asri G. Hadir Hadir Hadir

Shoviatun Nisa Izin responsi SC Hadir Hadir

Pembagian Tugas

Nama Tugas

Prama Adistya W Mendalami 8.3

Bilyan Ustazila Mendalami 8.4

Marini Izmalita Mendalami 8.4.1

Eka Pujiyanti Mendalami 8.5.2 dan

aplikasi

Ego Praniki S Mendalami 8.1 dan

8.2

Danang K. Mendalami 8.5

Fachriyatul Ivada Mendalami 8.4.1

Hani Asri G. Mendalami 8.1 dan

8.2

Shoviatun Nisa Mendalami 8.5.3

Metode Komputasi "Adaptive Network"

Education

Transcript of Metode Komputasi "Adaptive Network"