23
dengan target output.
Selisihnya akan dikembalikan ke
jaringan, kemudian dihitung
error-nya,
melalui
error
ini
akan didapatkan selisih
yang terdapat
di
dalam
weight.
Oleh
karena
itu
terdapat
weight
baru
yang
cenderung
memiliki
error
yang
lebih
kecil,
sehingga
akan
didapat
error
yang
lebih
minimum
dari
error
yang
pertama.
Vektor-vektor
dalam
training set diaplikasikan
seluruhnya
secara
berurutan.
Pertama-tama error
dihitung, kemudian weight
disesuaikan
sampai
seluruh training
set menghasilkan error
yang sekecil-kecilnya. Pada dasarnya konsep
ini berawal dari
konsep human brain.
Model Neural
network
yang
menggunakan
metode Supervised
Learning
diantaranya
adalah sebagai berikut :
a. Model Backpropagation
b. Model Biderectional Associative Memory
c. Hopfield Network
2. Non-Supervised (Unsupervised) Learning
Unsupervised Learning dianggap sebagai
model dalam konsep sistem biologis. Teori
ini
dikembangkan oleh
Kohonen
(1984)
dan
beberapa
ilmuan
lainnya.
Dalam
Unsupervised
Learning
tidak
diperlukan target
output.
Training
hanya
terdiri
dari
vektor-vektor input,
tanpa
memiliki
pasangan
target.
Algoritma
training
mengubah
weight
jaringan
untuk
menghasilkan output
yang
konsisten.
Aplikasi
dari
vektor-
vektor
yang
cukup
serupa
menghasilkan pola
output
yang
sama.
Dengan
demikian
proses
training
akan
menghasilkan sifat-sifat statistik dalam bentuk pengelompokan
vektor-vektor
dalam
beberapa
kelas.
Dengan
mengaplikasikan
suatu
vektor dari
suatu kelas sebagai input, maka akan menghasilkan vektor output yang spesifik.
 |