Langkah - Langkah Backpropagation Neural Network

•  Jaringan Saraf Tiruan (Neural Network)

    Teknik perhitungan dalam peramalan terdapat banyak metode yang dapat digunakan. Penggunaan metode dalam melakukan peramalan dapat disesuaikan dengan jenis peramalan yang dilakukan atau jenis data yang akan dilakukan peramalan.

    Neural Network / Jaringan Saraf Tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Cara kerja jaringan saraf tiruan seperti cara kerja manusia, yaitu belajar melalui contoh. Lapisan-lapisan penyusun jaringan saraf tiruan dibagi menjadi 3, yaitu lapisan input (input layer), lapisan tersembunyi (hidden layer), dan lapisan output (ouput layer).

• Arsitektur Backpropagation

    Backpropagation merupakan salah satu algoritma yang digunakan pada algoritma jaringan saraf tiruan Multi-Layer dengan pembelajaran terawasi dimana dilakukan penyesuaian bobot secara berulang untuk mendapatkan nilai error terendah antara hasil prediksi dengan target yang diinginkan. Jaringan saraf tiruan Backpropagation memiliki kelebihan yang bersifat adaptive dan fault tolerance terhadap pemecahan masalah dari sistem. Arsitektur Algoritma Backpropagation digambarkan pada Gambar 1 berikut :

Gambar 1 Arsitektur Jaringan Saraf Tiruan Backpropagation

    Umumnya pada setiap metode peramalan, sebelum melakukan peramalan pada periode-periode kedepan, dilakukan dua proses pembelajaran terlebih dahulu, yaitu proses training dan testing. Training pada jaringan saraf tiruan Backpropagation merupakan proses pengaturan nilai input serta bobot (weight) (seperti dijelaskan pada Gambar 1) hingga didapatkan model yang optimal. Training pada jaringan saraf tiruan Backpropagation meliputi tiga fase, yaitu: fase pembelajaran (learning rate), fase maju (feed forward), dan fase mundur (backpropagation) dari melihati error-error yang dihasilkan. Testing adalah pengujian kelayakan model yang telah diperoleh dari proses training.

    Dalam pelatihan backropagation terdiri dari dua proses yaitu feedforward dan backpropagation. Berikut dibawah ini tahapan-tahapan backpropagation :

Langkah 0: Inisialisasi bobot (mengambil bobot awal dengan nilai random yang cukup kecil).

Langkah 1: Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9.

Langkah 2: Untuk setiap pasang data pelatihan, lakukan langkah 3-8.

Fase I: Propagasi Maju

Langkah 3: Stiap unit masukan (x_i,i = 1,2,…,n) menerima sinyal dan maneruskannya ke unit selanjutnya yaitu lapisan tersembunyi.

Langkah 4: Menghitung semua keluaran pada lapisan tersembunyi (Z_j,i = 1,2,…,p). Berikut persamaan menghitung nilai keluaran :

Menggunakan fungsi aktivasi sigmoid biner dalam melakukan perhitungan output :

Kemudian diteruskan output tersebut kesemua bagian unit lapisan keluaran. Tahap ini dilakukan sesuai dengan banyaknya Note Layer.

Langkah 5: Menghitung semua keluaran jaringan di lapisan output (Yk,i = 1,2,….,m) dengan menggunakan persamaan dibawah ini.

Fase II: Propagasi Mundur

Langkah 6: Menghitung faktor δ unit output berdasarkan kesalahan di setiap unit output (Yk,i = 1,2,….,m) 

Keterangan:

𝛿_𝑘: Hasil koreksi error pada output layer𝑦 _𝑘

𝑡_𝑘: Target output

𝑌_𝑘: Hasil output layer

δ merupakan unit kesalahan yang akan digunakan pada perubahan bobot layer dibawahya (langkah 7). Kemudian menghitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki wjk) dengan learning rate α.

Kemudian menghitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki w0k) 

Langkah 7: Hitung faktor δ note layer berdasarkan kesalahan disetiap note layer (Z_j,i = 1,2,…,p) 

δ unit tersembunyi (hidden):

Kemudian menghitung koreksi bobot dan bias (yang nantinya akan digunakan untuk memperbaiki v_0j):

Fase III: Perubahan Bobot

Langkah 8: Setiap unit keluaran (Yk,k = 1,2,…,m) memperbaiki bias dan bobotnya (j = 0,1,2,…,p)

Setiap unit tersembunyi (Z_j,i = 1,2,…,p) memperbaiki bias dan bobotnya (I = 1,2,…,n).

Langkah 9: Kondisi pelatihan berhenti sampai sebanyak iterasi yang sudah ditentukan atau sudah memenuhi nilai error toleransi. 

• Normalisasi Data

    Adapun normalisasi data dilakukan agar output dengan fungsi aktifasi yang digunakan.  Pada tahapan ini dilakukan proses normalisasi  data dengan cara menentukan data yang akan dinormalkan, lalu menentukan nilai yang paling tinggi dan nilai paling rendah berdasarkan data yang  ada. Pada penelitian ini menggunakan fungsi aktivasi sigmoid biner. Karena fungsi aktivasi sigmoid biner yang mempunyai rentang nilai 0 hingga 1, maka setiap data input melakukan normalisasi atau transformasi. Normalisasi data dilakukan dengan menggunakan persamaan berikut :

Keterangan:

X’ = transformasi linear menjadi interval (0,1:0,9) 
x = data yang akan diramalkan                                 
a = data minimum                                                 
b = data maksimum

• Denormalisasi Data

    Setelah proses prediksi, maka akan didapatkan nilai output atau hasil prediksi, dimana data awal sebagai data input telah dilakukan proses normalisasi atau transformasi. Jadi untuk data prediksi yang baru dihasilkan perlu dilakukan proses denormalisasi. Proses ini disebut dengan post-processing, yaitu proses dimana nilai output yang menghasilkan nilai dengan rata - rata sama dengan nol, maka dalam proses ini akan mengembalikan nilai tersebut sesuai dengan data awal atau data yang asli. Nilai output yang dihasilkan pada proses simulasi adalah nilai dari data yang telah dinormalisasi pada langkah awal. Denormalisasi data dilakukan dengan menggunakan persamaan berikut:

Keterangan :

X = data denormalisasi
x’ = data hasil normalisasi
a = data minimum      
b = data maksimum 

• Refrensi

I. N. T. Adnyana, "Jaringan Syaraf Tiruan Model Backpropagation untuk Peramalan Suhu Minimum dan Maksimum, Kelembaban, Tekanan Udara, Jumlah Hari Hujan, dan Curah Hujan Bulanan di Kota Mataram," Journal of Computer Science and Informatics Engineering (J-Cosine), vol. 3, no. 2, pp. 127-136, 2019.

A. Zulhamsyah, "Penerapan Backpropagation Dalam Memprediksi Produksi Kelapa Sawit Unit Kebun Marjandi," KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol. 3, no. 1, 2019.

H. Putra, "Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation," JURNAL NASIONAL TEKNOLOGI DAN SISTEM INFORMASI , vol. 6, no. 2, pp. 100-107, 2020.

M. Fajar, "Peramalan Produksi Cabai Rawit Dengan Neural Network," no. 1-10, p. August, 2017.

G. Guntoro, "Prediksi Jumlah Kendaraan di Provinsi Riau Menggunakan Metode Backpropagation," Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer, vol. 14, no. 1, p. 50, 2019.

H. Putra, "Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation," jurnal nasional teknologi dan sistem informasi, vol. 06, no. 02, pp. 100-107, 2020.