Suatu
jaringan
dapat
memiliki
lebih
dari
satu
lapisan
tersembunyi
(hidden
layer)
atau
bahkan
bisa
juga
tidak
memilikinya sama
sekali.
Jika
jaringan
memiliki
beberapa
lapisan
tersembunyi, maka lapisan tersembunyi terbawah berfungsi
untuk menerima masukan dari
lapisan
input.
Besarnya
nilai
masukan
(net) neuron
ke-j pada
lapisan
tersembunyi
ini
tergantung
pada akumulasi jumlah perkalian antara nilai bobot (w, kekuatan hubungan antar neuron) dengan
nilai
keluaran
(O)
neuron
ke
i
pada
lapisan
sebelumnya (neuron
input)
ditambah dengan
nilai
bias (w, neuron ke-j),atau
net
(
j
)
=
?
W
(
ji ).O(i )+W ( j )
Nilai bias
ini
merupakan nilai konstan
yang dimiliki oleh
setiap neuron
(kecuali neuron
pada
lapisan
input)
yang digunakan untuk
memperbaiki keluaran jaringan agar dapat
menyamai
atau
mendekati
nilai
keluaran
(output)
yang
diinginkan.
Bobot
wji
bernilai
0 menunjukkan
bahwa antara neuron ke-j dan ke-i tidak terdapat hubungan.
Nilai
keluaran
neuron
pada
lapisan
tersembunyi ini
merupakan
fungsi
dari
nilai
masukannya f (net (j)). Pada eksperimen ini digunakan fungsi Sigmoid,yaitu :
Ox (j) = 1 / (1 + exp(-net(j)))
 |