Académique Documents
Professionnel Documents
Culture Documents
z_net1 w31 X1 1 X2 2 b w52 5 z_net3 b w51 w42 4 z_net2 w65 w32 w41 w64 3 w63 6 y_netk
X2 0 1 1 0
T 0 1 3 2
Algoritma Multi Layer Perceptron 1. Inisialisasikan jaringan, dengan semua beban diatur ke nomor acak antara 0 dan +1 Misalkan didapat bobot seperti tabel dibawah ini :
z_net1 X1 X2
1 (bias) 0.2 0.3 0.1
z_net2
0.3 0.1 0.3
z_net3
0.1 0.1 0.3
z1 z2 z3
1
2. Masukkan Input dan Outputnya Masukan input Xp = x0 ,x1 ,x2 ,...,xn-1 dan Target output Tp = t0 ,t1 ,...,tm-1 3. Hitung keluaran di unit tersembunyi
= 0(0.2)+0(0.3)+0.1 = 0.1 = 0(0.3)+0(0.1)+0.3 = 0.3 = 0(0.1)+0(0.1)+0.3 = 0.3 Gunakan fungsi aktifasi untuk menghitung sinyal outputnya. Fungsi sigmoid biner
Fungsi sigmoid bipolar sangat dekat dengam fungsi hyperbolic tangent. Keduanya memiliki range antara -1 sampai 1. Untuk fungsi hyperbolic tangent , fungsinya :
= 0.7638
Jika
5. Jika
maka :
Karena jaringan hanya memiliki satu buah unit output, maka : = 0.682 (1-0.682) (0-0.682) = -0.148
= 0.5 + (0.25 x -0.148 x 0.524) = 0.480 = 0.3 + (0.25 x -0.148 x 0.574) = 0.279 = 0.4 + (0.25 x -0.148 x 0.574) = 0.379
w1(baru)
z1 X1 X2
1 (b) 0.2 + (0.25)(-0.156)(0) = 0.2 0.3 0.0.61
z2
0.3 0.1 0.274
z3
0.1 0.1 0.267
7. Menghitung error dengan mengambil perbedaan rata-rata antara target dengan vector output. Dapat digunakan rumus
8. Ulangi dari langkah 1 untuk masing-masing pola dalam pelatihan untuk menyelesaikan iterasi
9. Pelatihan yang ditetapkan secara acak. Hal ini penting sehingga untuk mencegah jaringan yang dipengaruhi oleh urutan data. 10. Ulangi dari langkah 1 untuk sejumlah set iterasi, atau sampai kesalahan berhenti berubah.