Metode & Algoritma | List Tutorials | Source Code | About | Sitemap
Konsultan Tesis
Bimbingan dan Konsultasi Tesis Informatika bersama team Project Graduate Indonesia. Konsultasi hanya untuk yang sudah me-Like FB kami (Silahkan LIKE tombol ini jika belum).
. Scroll kebawah untuk memasukan kode AntiSpam Protection. Hasil konsultasi akan kami kirimkan ke email Anda.

Jaringan Saraf Tiruan Backpropagation




.


Metode dan Algoritma | Jaringan Saraf Tiruan Backpropagation . Anda bisa melakukan konsultasi tentang Jaringan Saraf Tiruan Backpropagation melalui form di samping kanan !!!

Jaringan Saraf Tiruan Backpropagation

Dari soal, kita diberi daftar nilai 50 orang mahasiswa, dengan nilai tersebut merupakan nilai ujian, tugas, kuis, dll. Ada 5 jenis nilai (X1-X5), dan dengan menggunakan rumus tertentu akan diperoleh nilai akhir untuk mata kuliah tersebut. Program yang akan dibuat berfungsi untuk memprediksi nilai suatu mahasiswa apabila diketahui 5 nilai ujiannya, dengan ketentuan sebagai berikut :
1. Untuk melatih program digunakan 50 data nilai 1.
2. Untuk melakukan uji prediksi, digunakan 50 data nilai 2.

Inti Permasalahan

Kita tahu bahwa untuk menentukan Nilai Akhir nya adalah tidak dengan semudah mencari rata – rata nilainya, melainkan setiap nilai memiliki bobot sendiri – sendiri. Inti dari program ini adalah memprediksi bobot dengan menggunakan algoritma pelatihan (Data Nilai 1 dilatih, sehingga ditemukan pola bobot tertentu pada setiap X1-X5), menghitung output sesuai dengan bobot, sampai didapatkan output yang paling mendekati dengan Nilai Akhir yang sebenarnya (dengan kata lain adalah menghitung bobot yang paling benar/ mendekati untuk setiap 5 nilai ujian).

algoritma dan ide penyelesaian

Metode Komputasi JST yang akan digunakan dalam program untuk memprediksi nilai ujian mahasiswa ini adalah algoritma pelatihan Back Propagation. Pelatihan Back Propagation didasarkan pada satu hubungan sederhana: “Jika output memberikan hasil yang salah, maka weight dikoreksi agar galatnya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati nilai yang benar.”
Metode Back Propagation ini termasuk metode pelatihan supervised/ terbimbing dan didesain untuk operasi pada jaringan feed forward multi layer.

Tahapan Pelatihan Back Propagation :

1. Jaringan diberi pola input sebagai training.
2. Pola tersebut akan menuju ke unit – unit pada hidden layer (lapisan tersembunyi) untuk diteruskan ke unit – unit lapisan output.
3. Kemudian unit – unit lapisan output memberikan tanggapan yang disebut dengan Output Jaringan.
4. Saat output jaringan tidak sama dengan output yang diharapkan (target atau desired output), maka output akan menyebar mundur (backward) pada hidden layer dan diteruskan ke unit pada lapisan input.
Pada awalnya program dibuat dengan menggunakan 2 hidden layer dengan masing – masing 1 buah unit (node), tapi ternyata masih terdapat kekurangan. Yaitu jika untuk memprediksi nilai dengan nilai tinggi (diatas 60-an), maka terdapat selisih jauh diantara Y asli dan Y prediksi. Kesalahan (menurut saya) adalah pada rumus error gradien untuk kedua hidden layer. Tetapi sayangnya sampai deadline program saya belum bisa membenarkannya :(
Akhirnya program yang dibuat akan menggunakan 1 layer hidden dengan masing – masing 3 unit/node (agar tidak terlalu ruwet dalam source code programnya :P ). Untuk ilustrasi layer dan keterangannya bisa dilihat pada gambar dibawah ini.


Keterangan:

X1-Xb (Z1-Z5) : unit masukan/ input
Zb (Z bias) : selalu 0
Z6-Z8 : unit pada hidden layer
Z9 : unit output

Bobot dari input ke unit Z6 (hidden) adalah W1, W2, W3, W4, W5, dan Wb
Bobot dari input ke unit Z7 (hidden) adalah W6, W7, W8, W9, W10, dan Wb2
Bobot dari input ke unit Z8 (hidden) adalah W11, W12, W13, W14, W15, dan Wb3
Bobot dari unit hidden layer ke unit output adalah W16, W17, W18
Bobot dari unit input Xb (bias) ke unit output adalah Wb4
untuk algoritma backpropagation, anda bisa mencarinya sendiri di google. ada berjuta-juta kok. oke?
ini adalah data test nya, saya upload dalam bentuk .doc, entar rename dengan txt aja..
tests

dan ini source code nya..




Source Code ActionScript AS3 ASP.NET AJAX C / C++ C# Clipper COBOL ColdFusion DataFlex Delphi Emacs Lisp Fortran FoxPro Java J2ME JavaScript JScript Lingo MATLAB Perl PHP PostScript Python SQL VBScript Visual Basic 6.0 Visual Basic .NET Flash MySQL Oracle Android
Related Post :


Project-G
Judul: Jaringan Saraf Tiruan Backpropagation
Rating: 100% based on 99998 ratings. 5 user reviews.
Ditulis Oleh hank2

Anda sedang membaca artikel tentang Jaringan Saraf Tiruan Backpropagation, Semoga artikel tentang Jaringan Saraf Tiruan Backpropagation ini sangat bermanfaat bagi teman-teman semua, jangan lupa untuk mengunjungi lagi melalui link Jaringan Saraf Tiruan Backpropagation.


Posted by: Metode Algoritma Updated at: 07.15

Label

3 Variabel Adaptive Resonance Theory Algorirma RSA Algoritma Algoritma Clonal Selection Algoritma Djikstra Android ANN Annaeling Aritmetika Modulo ART Artificial Neural Network Backpropagation Biometrik Blowfish Brute Force Buble Sort Business Process Management C++ C-Means Caesar Cipher CISM Contoh Contoh Kode Contoh Penerapan contoh program Contoh Soal Corporate Information System Management CRC Cyclic Redundancy Code Deteksi Wajah Dijkstra Djikstra Eigenface Enterprise Resource Planning ERP Expectation Maximization Face Detection Face Extractor Face Recognition Facebook FCFS FCM Filterbank First Come First Server Fisherface FP-Growth Fuzzy ART Fuzzy C-Means Gaussian Generate & Test Genetika greedy Green Computing Huffman image processing Implementasi Information System Risk Management iOS 5 Iris Recognition IS Strategic Planning Jaringan Jaringan Saraf Tiruan jaringan syaraf tiruan Jasa Pembuatan Tesis Skripsi TA Informatika Komputer Java JST K-means knowledge management konsultan tesis informatika kriptografi Kruskal Kruskall Linear Programming list judul informatika LOKI LOOK Low Bit Coding LSB Manajamen Proses Bisnis Manajemen Perubahan MANET Masalah Rute Kendaraan Mass Transport Vehicle Routing Problem Metode Grafik metode LSB Minimum Spanning Tree mobile Mobile Ad hoc Network MTVRP negascout Online Learning Open Shortest Path First OpenCV OSPF PCA Pemrograman Linear Pencarian Akar Pencarian Linear Pencocokan Pengenalan Iris Mata Pengenalan Suara Pengenalan Wajah Pengolahan Citra Pengolahan Citra Digital Pengukuran Garis-Garis Telapak Tangan Penjadwalan Persamaan Linier Pewarnaan Graf Pewarnaan Graph Prim Project and Change Management Quantum Random Waypoint real time tracking Recognition Recursive Large First RLF RMSE Root Mean square Error RSA RWP Sandi Sidik Jari Simulated Annaeling SISP Sistem Verifikasi Biometrik skripsi sorting Source Code Spanning Tree Speech Speech Recognition Steganography Strategic Information Systems Planning Stream Cipher Technopreneurship Traveling Salesman Problem Travelling Salesman problem Tree TSP Voice Recognition Watermaking Web Service Welch dan Powell