Demo Program Multy Layer Perceptron Dalam Menentukan Kompeten Siswa
25-Juni-2018 - Publish Admin
Training Data
No
Input 1
Input 2
Output
1
0
0
0
2
0
1
0
3
1
0
0
4
1
1
1
Perhitungan :
Data ke 1
Pada perhitungan ini kita memberikan nilai bias pada masing-masing data yaitu -1, sehingga jika dilihat dalam bentuk table menjadi seperti:
No
Bias
Input 1
Input 2
Output
1
-1
0
0
0
Selanjutnya karena data ke 1 adalah data awal maka pada perhitungan data pertama ini kita harus memberikan nilai bobot terlebih dahulu, nilai bobot ini berupa random.
Disini saya berikan nilai bobot untuk data pertama yaitu:
W0 = 0,3 , w1 = 0,5 dan w2 = -0,4
Kemudian jika dilihat dalam bentuk table maka hasilnya akan menjadi seperti :
No
Bias
Input 1
Input 2
Output
W0
W1
W2
1
-1
0
0
0
0,3
0,5
-0,4
Kemudian mengitung net dengan persamaan:
NET=Y_IN= b + Σxi Wi
NET=Y_IN= ((-1*0,3)+ (0*0,5)+(0*-0,4)*1000)/1000
NET = -0,3
Maka
No
Bias
Input 1
Input 2
Output
W0
W1
W2
NET(SUM)
1
-1
0
0
0
0,3
0,5
-0,4
-0,3
Selanjutnya membentuk aktivasi (Y)
Syarat:
Jika nilai net(sum) besar dari nol(0) maka nilai aktivasinya yaitu 1
Jika nilai net (sum) kecil dari nol(0) maka nilai aktivasinya yaitu 0
Nilai NET = -0,3
Y = 0, jika dilihat dalam bentuk table
No
Bias
Input 1
Input 2
Output
W0
W1
W2
NET(SUM)
aktivasi
1
-1
0
0
0
0,3
0,5
-0,4
-0,3
0
Selanjutnya mencari nilai ERROR
Error = ouput – aktivasi
Error = 0
No
Bias
Input 1
Input 2
Output
W0
W1
W2
NET(SUM)
aktivasi
Error
1
-1
0
0
0
0,3
0,5
-0,4
-0,3
0
0
Data ke 2
No
Bias
Input 1
Input 2
Output
2
-1
0
1
0
Pencarian bobot pada data ke dua dengan persamaan:
W0 = nilai bobot sebelumnya + learning rate x input sebelumnya x error sebelumya
Penjelasan
Learning rate = 0,1
maka
W0 = 0,3+0,1x-1x0
W0 = 0,3
W1 = 0,5+0,1x0x0
W1 = 0,5
W2 = -0,4+0,1x0x0
W2 = -0,4
Sehingga dalam bentuk table
No
Bias
Input 1
Input 2
Output
W0
W1
W2
2
-1
0
1
0
0,3
0,5
-0,4
Kemudian mengitung net dengan persamaan:
NET=Y_IN= b + Σxi Wi
NET=Y_IN= ((-1*0,3)+ (0*0,5)+(1*-0,4)*1000)/1000
NET = -0,7
Maka
No
Bias
Input 1
Input 2
Output
W0
W1
W2
NET(SUM)
2
-1
0
1
0
0,3
0,5
-0,4
-0,7
Selanjutnya membentuk aktivasi (Y)
Syarat:
Jika nilai net(sum) besar dari nol(0) maka nilai aktivasinya yaitu 1
Jika nilai net (sum) kecil dari nol(0) maka nilai aktivasinya yaitu 0
Nilai NET = -0,7
Y = 0, jika dilihat dalam bentuk table
No
Bias
Input 1
Input 2
Output
W0
W1
W2
NET(SUM)
aktivasi
2
-1
0
1
0
0,3
0,5
-0,4
-0,7
0
Selanjutnya mencari nilai ERROR
Error = ouput – aktivasi
Error = 0
No
Bias
Input 1
Input 2
Output
W0
W1
W2
NET(SUM)
aktivasi
Error
2
-1
0
0
0
0,3
0,5
-0,4
-0,7
0
0
Kemudian ulang kembali proses diatas sampai data ke 4, selanjutnya hitung nilai error.
Jika total nilai error dari data ke 1 sampai data ke 4 = 0 maka pembentukan jaringan di hentikan jika lebih dari 0 maka proses pencarian akan terus berlangsung, ulangi seperti langkah-langkah diatas sampai total nilai error bernilai nol (0).
Shared
Shared
Shared
Shared
