BACK PROPAGATION NETWORK BPN Arsitektur Jaringan Salah satu

BACK PROPAGATION NETWORK (BPN)

Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan oleh jaringan. n Dalam metode Backpropagation, biasanya digunakan jaringan multilayer. n

Arsitektur Jaringan

Arsitektur Jaringan Pada gambar, unit input dilambangkan dengan X, hidden unit dilambangkan dengan Z, dan unit output dilambangkan dengan Y. n Bobot antara X dan Z dilambangkan dengan v sedangkan bobot antara Z dan Y dilambangkan dengan w. n

Proses belajar & Pengujian n Penggunaan Back Propagation Network terdiri dari 2 tahap: – Tahap belajar atau pelatihan, di mana pada tahap ini pada BPN diberikan sejumlah data pelatihan dan target – Tahap pengujian atau penggunaan, pengujian dan penggunaan dilakukan setelah BPN selesai belajar

Tahap Belajar atau Pelatihan n Pada intinya, pelatihan dengan metode backpropagation terdiri dari tiga langkah, yaitu: – Data dimasukkan ke input jaringan (feedforward) – Perhitungan dan propagasi balik dari error yang bersangkutan – Pembaharuan (adjustment) bobot dan bias.

Tahap Belajar atau Pelatihan n Saat umpan maju (feedforward), setiap unit input (Xi) akan menerima sinyal input dan akan menyebarkan sinyal tersebut pada tiap hidden unit (Zj). Setiap hidden unit kemudian akan menghitung aktivasinya dan mengirim sinyal (zj) ke tiap unit output. Kemudian setiap unit output (Yk) juga akan menghitung aktivasinya (yk) untuk menghasilkan respons terhadap input yang diberikan jaringan.

Tahap Belajar atau Pelatihan n n Saat proses pelatihan (training), setiap unit output membandingkan aktivasinya (yk) dengan nilai target (tk) untuk menentukan besarnya error. Berdasarkan error ini, dihitung faktor k, di mana faktor ini digunakan untuk mendistribusikan error dari output ke layer sebelumnya. Dengan cara yang sama, faktor j juga dihitung pada hidden unit Zj, di mana faktor ini digunakan untuk memperbaharui bobot antara hidden layer dan input layer. Setelah semua faktor ditentukan, bobot untuk semua layer diperbaharui.

Proses belajar secara detail n Step 0 : Inisialisasi bobot dan bias – Baik bobot maupun bias dapat diset dengan sembarang angka (acak) dan biasanya angka di sekitar 0 dan 1 atau -1 (bias positif atau negatif) Step 1 : Jika stopping condition masih belum terpenuhi, jalankan step 2 -9. n Step 2 : Untuk setiap data training, lakukan step 3 -8. n

Proses belajar secara detail Umpan maju (feedforward) n Step 3 : Setiap unit input (Xi, i=1, …, n) menerima sinyal input xi dan menyebarkan sinyal tersebut pada seluruh unit pada hidden layer. Perlu diketahui bahwa input xi yang dipakai di sini adalah input training data yang sudah diskalakan. n Step 4 : Setiap hidden unit (Zj, j=1, …, p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya

Proses belajar secara detail dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari hidden unit yang bersangkutan, lalu mengirim sinyal output ini ke seluruh unit pada unit output

Proses belajar secara detail n Step 5 : Setiap unit output (Yk, k=1, …, m) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya,

Proses belajar secara detail dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari unit output yang bersangkutan:

Proses belajar secara detail Propagasi balik error (backpropagation of error) n Step 6 : Setiap unit output (Yk, k=1, …, m) menerima suatu target (output yang diharapkan) yang akan dibandingkan dengan output yang dihasilkan.

Proses belajar secara detail n n n Faktor k ini digunakan untuk menghitung koreksi error ( wjk) yang nantinya akan dipakai untuk memperbaharui wjk, di mana: wjk= kzj Selain itu juga dihitung koreksi bias w 0 k yang nantinya akan dipakai untuk memperbaharui w 0 k, di mana: w 0 k= k Faktor k ini kemudian dikirimkan ke layer di depannya.

Proses belajar secara detail n Step 7 : Setiap hidden unit (Zj, j=1, …, p) menjumlah input delta (yang dikirim dari layer pada step 6) yang sudah berbobot.

Proses belajar secara detail n Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan jaringan untuk menghasilkan faktor koreksi error j, di mana: j= _inj f’(z_inj)

Proses belajar secara detail n n Faktor j ini digunakan untuk menghitung koreksi error ( vij) yang nantinya akan dipakai untuk memperbaharui vij, di mana: vij= jxi Selain itu juga dihitung koreksi bias v 0 j yang nantinya akan dipakai untuk memperbaharui v 0 j, di mana: v 0 j= j

Proses belajar secara detail Pembaharuan bobot dan bias: n Step 8 : – Setiap unit output (Yk, k=1, …, m) akan memperbaharui bias dan bobotnya dengan setiap hidden unit. wjk(baru)=wjk(lama) + wjk – Demikian pula untuk setiap hidden unit akan memperbaharui bias dan bobotnya dengan setiap unit input. vij(baru)=vij(lama) + vij

Proses belajar secara detail n Step 9 : Memeriksa stopping condition – Jika stop condition telah terpenuhi, maka pelatihan jaringan dapat dihentikan.

Stopping Condition n Untuk menentukan stopping condition terdapat dua cara yang biasa dipakai, yaitu: – Membatasi iterasi yang ingin dilakukan. n n Misalnya jaringan akan dilatih sampai iterasi yang ke-500. Yang dimaksud dengan satu iterasi adalah perulangan step 3 sampai step 8 untuk semua training data yang ada. – Membatasi error. n Misalnya menentukan besar Mean Square Error antara output yang dikehendaki dan output yang dihasilkan oleh jaringan.

Mean Square Error n Jika terdapat sebanyak m training data, maka untuk menghitung Mean Square Error digunakan persamaan berikut: • MSE=0, 5 x {(tk 1 -yk 1)2+ (tk 2 -yk 2)2+…+ (tkmykm)2}

Tahap pengujian & Penggunaan n n Setelah pelatihan selesai, BPN dianggap telah pintar sehingga apabila jaringan diberi input tertentu, jaringan akan menghasilkan output seperti yang diharapkan. Cara mendapatkan output tersebut adalah dengan mengimplementasikan metode backpropagation yang sama seperti proses belajar, tetapi hanya pada bagian umpan majunya saja, yaitu dengan langkah-langkah sebagai berikut:

Penghitungan output jaringan n Step 0: Inisialisasi bobot sesuai dengan bobot yang telah dihasilkan pada proses pelatihan di atas. Step 1: Untuk setiap input, lakukan step 2 -4. Step 2: Untuk setiap input i=1, …, n skalakan bilangan dalam range fungsi aktivasi seperti yang dilakukan pada proses pelatihan di atas.

Penghitungan output jaringan n Step 3: untuk j=1, …, p:

Penghitungan output jaringan n Step 4 : Untuk k=1, …, m:

Penghitungan output jaringan Variabel yk adalah output yang masih dalam skala menurut range fungsi aktivasi. n Untuk mendapatkan nilai output yang sesungguhnya, yk harus dikembalikan seperti semula. n

Contoh aplikasi BPN Misalkan, jaringan terdiri dari 2 unit input, 1 hidden unit (dengan 1 hidden layer), dan 1 unit output. n Jaringan akan dilatih untuk memecahkan fungsi XOR. n Fungsi aktivasi yang digunakan adalah sigmoid biner dengan nilai learning rate ( ) = 0, 01 dan nilai =1. n

n Arsitektur jaringan yang akan dilatih adalah sebagai berikut:

n Training data yang digunakan terdiri dari 4 pasang input-output, yaitu:

Sebelum pelatihan, harus ditentukan terlebih dahulu stopping conditionnya. n Misalnya dihentikan jika error telah mencapai 0, 41. n

Langkah-langkah pelatihan n Step 0: Misalnya inisialisasi bobot dan bias adalah: v 01=1, 718946 v 11=-1, 263178 v 21=-1, 083092 w 01=-0, 541180 w 11=0, 543960

n Step 1: Dengan bobot di atas, tentukan error untuk training data secara keseluruhan dengan Mean Square Error: • • z_in 11=1, 718946+{(0 x -1, 263178)+(0 x 1, 083092)}=1, 718946 z 11=f(z_in 11)=0, 847993 z_in 12=1, 718946+{(0 x-1, 263178)+(1 x 1, 083092)}=0, 635854 z 12=f(z_in 12)=0, 653816 z_in 13=1, 718946+{(1 x- 1, 263178)+(0 x 1, 083092)}=0, 455768 z 13=f(z_in 13)=0, 612009 z_in 14=1, 718946+{(1 x -1, 263178)+(1 x -1, 083092)=0, 627324 z 14=f(z_in 14)=0, 348118

n n n n n y_in 11=-0, 541180+(0, 847993 x 0, 543960)=0, 079906 y 11=f(y_in 11)=0, 480034 y_in 12=-0, 541180+(0, 653816 x 0, 543960)=-0, 185530 y 12=f(y_in 12)=0, 453750 y_in 13=-0, 541180+(0, 612009 x 0, 543960)=0, 208271 y 13=f(y_in 13)=0, 448119 y_in 14=-0, 541180+(0, 348118 x 0, 543960)=-0, 351818 y 14=f(y_in 14)=0, 412941 Maka E=0, 5 x {(0 -0, 480034)2 + (1 -0, 453750)2) + (10, 448119)2 + (0 -0, 412941)2}=0, 501957

n n n Step 2. Karena error masih lebih besar dari 0, 41 maka step 3 -8 dijalankan. Step 3. x 1=0; x 2=0 (iterasi pertama, training data pertama) Step 4. n n n Step 5. n n n z_in 1=1, 718946+{(0 x-1, 263126)+(0 x 1, 083049)}=1, 718946. z 1=f(z_in 1)=0, 847993 y_in 11=-0, 541180+(0, 847993 x 0, 543960)=0, 079906 y 11=f(y_in 11)=0, 480034 Step 6. n n n 1=(0 -0, 480034)f ’(0, 079906)=-0, 119817 w 11=0, 01 x-0, 119817 x 0, 847993=-0, 001016 w 01=0, 01 x-0, 119817=-0, 00119817

n Step 7. n n n _in 1=-0, 00119817 x 0, 543960=-0, 00065176 1=-0, 00065176 xf’(1, 718946)=-0, 00008401 v 11=0, 01 x-0, 00008401 x 0=0 v 21=0, 01 x-0, 00008401 x 0=0 v 01=0, 01 x-0, 00008401=-0, 0000008401 Step 8. n n n w 01(baru)=-0, 541180+(-0, 00119817)=-0, 542378 w 11(baru)=0, 543960+(-0, 001016)=0, 542944 v 01(baru)=1, 718946+(-0, 0000008401)=1, 718862 v 11(baru)=-1, 263178+0=-1, 263178 v 21(baru)=-1, 083092+0=-1, 083092 Saat ini v 11 dan v 12 masih belum berubah karena kedua inputnya =0. Nilai v 01 dan v 02 baru berubah pada iterasi pertama untuk training data yang kedua

Setelah step 3 -8 untuk training data pertama dijalankan, selanjutnya kembali lagi ke step 3 untuk training data yang kedua (x 1=0 dan x 2=1). n Langkah yang sama dilakukan sampai pada training data yang keempat. n Bobot yang dihasilkan pada iterasi pertama, training data ke-2, 3, dan 4 adalah: n

n Training data ke-2: n n n Training data ke-3: n n n w 01=-0, 541023 w 11=0, 543830 v 01=1, 718862 v 11=-1, 263178 v 21=-1, 083092 w 01=-0, 539659 w 11=0, 544665 v 01=1, 719205 v 11=-1, 263002 v 21=-1, 082925 Training data ke-4: n n n w 01=-0, 540661 w 11=0, 544316 v 01=1, 719081 v 11=-1, 263126 v 21=-1, 083049

n n Setelah sampai pada training data ke-4, maka iterasi pertama selesai. Berikutnya, pelatihan sampai pada step 9, yaitu memeriksa stopping condition dan kembali pada step 2. Demikian seterusnya sampai stopping condition yang ditentukan terpenuhi. Setelah pelatihan selesai, bobot yang didapatkan adalah: n n n v 01=12, 719601 v 11=-6, 779127 v 21=-6, 779127 w 01=-5, 018457 w 11=5, 719889

n n n Jika ada input baru, misalnya x 1=0, 2 dan x 2=0, 9 maka outputnya dapat dicari dengan langkah umpan maju sebagai berikut: Step 0. Bobot yang dipakai adalah bobot hasil pelatihan di atas. Step 1. Perhitungan dilakukan pada step 2 -4 Step 2. Dalam contoh ini, bilangan telah berada dalam interval 0 sampai dengan 1, jadi tidak perlu diskalakan lagi. Step 3. n n n Step 4. n n n z_in 1=12, 719601+{(0, 2 x-6, 779127)+(0, 9 x-6, 779127)}=5, 262561 z 1=f(5, 262561)=0, 994845 y_in 1=-5, 018457+(0, 994845 x 5, 719889)=0, 671944 y 1=f(0, 671944)=0, 661938 Jadi jika input x 1=0, 2 dan x 2=0, 9; output yang dihasilkan jaringan adalah 0, 661938