belajaryuk: Single layer dan backpropagation

ASSALAMU'ALAIKUM WARAHMATULLAHI WABARAKATUH

sekarang penulis akan membahas tentang metode single neuron dan algoritma back propagation yang

penulis tahu...

metode yang akan saya bahas yaitu single neuron bukan multi neuron....

jadi begini, misalkan dalam kasus:

oke begini, dalam rumus kan menggunakan f = 1 / (1 + e^-y ) jadi lalu di dalam soal itu ada

X₁ = 0.8 W₁ = 0.25

X₂ = 0.2 W₂ = 0.75

X₃ = 0.4 W₃ = 0.5

X₄ = 0.4 W₄ = 0.3

Kita memakai rumus:

Y = Σ X_i W_i

= X₁ W₁ + X₂ W₂ + …… + X₄ W₄

= 0.2 + 0.15 + 0.2 + 0.12

= 0.67

kemudian baru kita masukkan ke rumus f = 1 / (1 + e^-y ) menjadi:

f = 1 / (1 + e^-0.67 )

f = 0.6615

nah itu tadi dasarnya single neuron, karena penulis tidak mengerti kodingan jadi ini hanya copas saja dari punya temen...

nah itu tadi single neuron, sekarang kita masuk ke algoritma backpropagation....

apa sih itu back propagation????

Backpropagation adalah metode umum dari pelatihan jaringan saraf tiruan sehingga dapat meminimalkan fungsi tujuan. Arthur E. Bryson dan Yu-Chi Ho menggambarkannya sebagai metode sistem multi-tahap optimasi dinamis pada tahun 1969. ^[1] ^[2] Itu tidak ' t sampai 1974 dan kemudian, bila diterapkan dalam konteks jaringan saraf dan melalui karya Paul Werbos , ^[3] David E. Rumelhart , Geoffrey E. Hinton dan Ronald J. Williams , ^[4] ^[5] yang mendapat pengakuan , dan itu menyebabkan "renaisans" dalam bidang penelitian jaringan saraf tiruan.

nah disini penulis hanya ingin membahas tehnik-tehnik algoritma back propagation:

contoh soal:

1. di dalam algoritma backpropagation, terdapat 1 layer input yang berisi 4 node, 1 hidden layer yang berisi 4 node dan 1 layer output yang berisi 1 node.

a. tentukan gambarnya dan

b. berikan notasinya juga

c. aktifkan matriks tersebut (random)...

jawaban:

b. kita masukkan dalam notasi sebagai berikut [ u v ], dimana u adalah input layer x output layer = 4 x 5 dan v adalah 5 x 1...

maka kita masukkan menjadi:

U11 U12 U13 U14 U15 --> INPUT 1

U21 U22 U23 U24 U25 --> INPUT 2

U31 U32 U33 U34 U35 --> INPUT 3

U41 U42 U43 U44 U45 --> INPUT 4

V11 --> INPUT 1 ( HIDDEN LAYER KE OUTPUT LAYER )

V21 --> INPUT 2 ( HIDDEN LAYER KE OUTPUT LAYER )

V31 --> INPUT 3 ( HIDDEN LAYER KE OUTPUT LAYER )

V41 --> INPUT 4 ( HIDDEN LAYER KE OUTPUT LAYER )

V51 --> INPUT 5 ( HIDDEN LAYER KE OUTPUT LAYER )

c. karena ini adalah random, maka kita bisa membuat semau angka kita, tetapi karena penulis ingin mencontohkan jadi penulis buat batas -0.5 ≤ x ≤ 0.5 menjadi:

U =

0.2 0.3 -0.2 -0.4 0.3

0.1 -0.1 -0.5 0.5 0.2

0.1 -0.4 -0.5 0.3 0.1

0.1 0.3 -0.4 -0.1 0.4

V =

0.1

-0.2

-0.35

-0.25

0.5

maka selesailah, sebenarnya algoritma backpropagation masih memiliki banyak langkah lagi, tetapi