Algoritma Multi Layer Perceptron

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

X1 0 0 1 1 Learning rate : = 0,25 |t y| < 0.00001 Fungsi aktifasi : sigmoid bipolar

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 :

Tabel bobot dari layer input ke layer tersembunyi

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

Tabel bobot dari layer tersembunyi ke layer output Y

z1 z2 z3
1

0.5 0.3 0.4 0.1

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

Fungsi sigmoid bipolar sangat dekat dengam fungsi hyperbolic tangent. Keduanya memiliki range antara -1 sampai 1. Untuk fungsi hyperbolic tangent , fungsinya :

Digunakan fungsi sigmoid biner untuk menghitung ( ) = = = 0.524

4. Hitung keluaran unit otput

. Gunakan fungsi aktifasi untuk menghitung sinyal outputnya.

Karena jaringan hanya memiliki satu unit output y, maka :

= 0.7638

Jika

maka diuntuk perbaikan bobotnya dilakukan backwards :

5. Jika

maka :

Hitung faktor di unit Output

Karena jaringan hanya memiliki satu buah unit output, maka : = 0.682 (1-0.682) (0-0.682) = -0.148

Perubahan bobot dari output ke unit tersembunyi : ( )

w63 (baru) w64 (baru) w65 (baru)

= 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)

= 0.1 + (0.25 x -0.148 x 1) = 0.063

6. Hitung penjumlahan kesalahan dari unit tersembunyi () ( )

Karena jaringan hanya memiliki satu buah unit output, maka :

Perubahan bobot dari output ke unit tersembunyi :

Tabel perubahan bobot ke unit tersembunyi

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

Dimana p adalah jumlah unit pada output layer Jadi :

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.