27
baik.
Karena
error
yang
dihasilkan
tidak
merata,
tidak
merata
disini
maksutnyua
adalah error untuk pembelajarannya tidak tentu, bisa lebih banyak di sisi tertentu.
2. Toleransi kesalahan (error tolerance), semakin kecil kesalahan, maka jaringan akan
memiliki nilai bobot yang lebih akurat, tetapi akan memperpanjang waktu pelatihan.
3. Jumlah
maksimal proses pelatihan
yang dilakukan (maximum epoch), biasanya
bernilai besar dan diberikan untuk mencegah terjadi perulangan tanpa akhir.
4. Nilai ambang batas atau bias (threshold value), dilambangkan ?. Parameter ini tidak
harus diberikan (optional). Apabila tidak diberikan, maka nilainya sama dengan nol.
2.6.1. Penjelasan Backpropagation
Inti
dari
Backpropagation
adalah
untuk
mencari error
suatu
node.
Dari
hasil
forward
phase
akan
dihasilkan suatu
output,
dari
output
tersebut,
pastilah
tidak
sesuai
target
yang
diinginkan.
Perbandingan kesalahan
dari
target
yang
diinginkan
dengan
output yang dihasilkan disebut dengan error.
Dalam
Backpropagation
juga
dikenal
istilah
yang
disebut
inisialisasi output.
Inisialisasi output
pada dasarnya adalah
menentukan error
di
suatu node
dengan sebuah
target yang diinginkan. Karakteristik Backpropagation dapat diuraikan sebagai berikut:
1. Node / processing element dan fungsi aktivasi
a)
Kontinu.
b)
Dapat dideferensiasikan /
diteruskan.
c)
Turunan fungsi mudah dihitung.
d)
Fungsi aktivasi yang biasa digunakan adalah fungsi sigmoid.
 |