Metode Backpropagation

Backpropagation adalah metode penurunan gradien untuk meminimalkan kuadrat error keluaran. Ada tiga tahap yang harus dilakukan dalam pelatihan jaringan, yaitu tahap perambatan maju (forward propagation), tahap perambatan balik (backpropagation), dan tahap perubahan bobot dan bias. Arsitektur jaringan terdiri dari input layer, hidden layer, dan output layer seperti pada gambar 2.1 (Sutojo dkk, 2011) :

Gambar 2.1 Arsitektur Backpropagation (Siang, 2009)

Y1XnXiX11ZpZjZ11YmYkW10Wk0WmoW11Wk1Wm1W1jWkjWmjW1pWkpWmpV10Vj0Vp0V11Vj1Vp1V1iVjiVpiV1nVjnVpn

10

Dari gambar diatas maka dapat dijelaskan bahwa:

1. Backpropagation memiliki beberapa unit masukan yang ada dalam satu atau lebih layer tersembunyi. Arsitektur backpropagation dengan masukan (ditambah sebuah bias), sebuah layer tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.

2. Vij merupakan bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj (Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layer tersembunyi Zj). Wkj merupakan bobot dari unit layer tersembunyi Zj ke unit keluaran Yk (Wk0 merupakan bobot dari bias di layer tersembunyi ke unit keluaran Zk).

Algoritma backpropagation merupakan perhitungan matematik dengan rumusan yang menentukan tiap layernya. Tahapan perhitungannya antara lain:

a. Inisialisasi data dan pembobotan

Proses inisialisasi data dan pembobotan dimulai dengan:

1. Inisialisasi dilakukan untuk kebutuhan pelatihan jaringan dengan mengambil nilai random yang cukup kecil. Nilai ini akan menjadi nilai bobot dan bias sebagai nilai awal masukan ke hidden layer menuju ke output layer.

2. Analisa proses dilakukan dengan menjumlahkan persentase unsur-unsur pada tiap aspeknya. Dari sistem DP3 yang diatur dalam PP No. 10 tahun 1979, pemberian bobot dibedakan sesuai dengan peran dan sifat unsur-unsurnya terhadap pencapaian tujuan pelaksanaan tugas masing-masing antara lain:

a) Aspek sikap dan prilaku (kepribadian) untuk setiap unsur memiliki bobot 10%, sehingga total 40%.

b) Aspek pelaksanaan fungsi manajemen untuk setiap unsur memiliki bobot 12,5%, sehingga total 37,5%.

c) Aspek hasil (prestasi) untuk setiap unsur memiliki bobot 22,5%.

3. Pembobotan dihitung dari persentase total unsur pembentuk dibagi dengan pembobotan awal unsur baru (100% : 5 unsur).

11

b. Perambatan Maju (Forward Propagation)

1. Nilai dari persentase pembobotan akan dikalikan dengan nilai masingmasing,

kemudian dijumlahkan dan diambil nilai rata-rata. Nilai rata-rata

memiliki definisi yang sama sebagai masukan pada perhitungan forward

propagation yang dirumuskan dalam nilai Hiden Layer Operasi (Zin).

(2.1)

Dengan keterangan bahwa Zin adalah operasi pada hidden layer

dengan V0 sebagai bobot awal bias ke hidden layer. Banyaknya data

adalah n pada awal data i dan akhir data j. Sebagai msukan adalah

x(1,2,...xn) yang akan dikalikan dengan V (bobot awal input ke hidden

layer) yang akan dibagi dengan 100.

2. Pada tahap ke dua menentukan unit masukan yaitu berupa nilai rata-rata

((Zin) penilaian dosen teladan. Dari nilai Zin akan dihitung fungsi aktivasi

f(Zin) input yang dirumuskan sebagai berikut:

( ) 1

1

( )

Zin in

e

f Z  

 (2.2)

f(Zin) adalah fungsi aktivasi sinyal output Zin dengan nilai e

(Exponen(exp)) dan Zi sebagai operasi pada hidden layer.

3. Tahap selanjutnya adalah menerapkan fungsi aktivasi untuk menghitung

sinyal keluarannya, kemudian mengirimkan sinyal tersebut kesemua unit

output dan dirumuskan sebagai berikut:

Z f(Z ) j in  (2.3)

Dengan nilai Z menjelaskan sebagai fungsi aktivasi pada hidden

layer, Zin sebagai operasi pada hidden layer dan f(Zin) sebagai fungsi

aktivasi sinyal output Zin yang akan di ulang sebanyak j data.

4. Untuk menjumlahkan bobot sinyal input pada unit ou