23
Langkah 4.2.6 Tiap-tiap
unit
output
(Y
k
,
k =
1, 2, 3, ..., m)
memperbaiki bias dan bobotnya (j = 0, 1, 2, 3, ..., p):
w
jk
(baru) = w
jk
(lama) + ?w
jk
b
2k
(baru) = b
2k
(lama) + ?b
2k
Tiap-tiap unit tersembunyi (Z
j
,
j
=
1, 2, 3, …,p) memperbaiki bias
dan bobotnya (i = 0, 1, 2, 3, …, n):
v
ij
(baru) = v
ij
(lama) + ?v
ij
b1
j
(baru) = b1
j
(lama) + ?b
1j
Langkah 4.3
Hitung MSE (Mean Squared Error).
Pemilihan
bobot
awal
sangat
mempengaruhi jaringan
syaraf
dalam
mencapai
minimum global
(atau
mungkin hanya
lokal
saja)
terhadap nilai
error,
serta
cepat
tidaknya proses pelatihan
menuju kekonvergenan. Apabila nilai bobot awal terlalu besar,
maka
input ke
setiap
lapisan
tersembunyi atau
lapisan output akan
jatuh pada daerah di
mana turunan
fungsi
sigmoidnya
akan sangat kecil. Sebaliknya, apabila
nilai bobot awal
terlalu
kecil,
maka
input ke
setiap
lapisan
tersembunyi atau
lapisan output akan sangat
kecil,
yang
akan
menyebabkan proses
pelatihan
akan
berjalan
sangat
lambat.
Biasanya
bobot
awal
diinisialisasi
secara
random
dengan
nilai
antara
0,5
sampai
0,5
(atau
-1
sampai
1,
atau
interval
yang
lainnya)
(Fausett,
1994).
Sementara, Metode
Nguyen-
Widrow
akan
menginisialisasi bobot-bobot
lapisan
dengan
nilai
antara
-0.5
sampai
0,5.
Sedangkan bobot-bobot dari
lapisan
input ke
lapisan
tersembunyi dirancang sedemikian
rupa
sehingga
dapat
meningkatkan
proses
pembelajaran.
Parameter
a
merupakan
laju
pembelajaran yang menentukan kecepatan iterasi. Nilai a terletak antara 0 dan 1 (0 = a =
1).
Semakin
besar
harga
a,
semakin
sedikit
iterasi
yang
dipakai.
Tetapi,
jika
harga
a
 |