Back Propagation dan implementasinya dalam bahasa python
- 2. Arsitektur Jaringan • Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan oleh jaringan. • Dalam metode Backpropagation, biasanya digunakan jaringan multilayer. • Sebagai contoh pada gambar berikut diberikan jaringan dengan sebuah hidden layer.
- 4. Arsitektur Jaringan • Pada gambar, unit input dilambangkan dengan X, hidden unit dilambangkan dengan Z, dan unit output dilambangkan dengan Y. • Bobot antara X dan Z dilambangkan dengan v sedangkan bobot antara Z dan Y dilambangkan dengan w.
- 5. Algoritma Metode Backpropagation • Pada intinya, pelatihan dengan metode backpropagation terdiri dari tiga langkah, yaitu: • Data dimasukkan ke input jaringan (feedforward) • Perhitungan dan propagasi balik dari error yang bersangkutan • Pembaharuan (adjustment) bobot dan bias.
- 6. Algoritma Metode Backpropagation • Saat umpan maju (feedforward), setiap unit input (Xi) akan menerima sinyal input dan akan menyebarkan sinyal tersebut pada tiap hidden unit (Zj). • Setiap hidden unit kemudian akan menghitung aktivasinya dan mengirim sinyal (zj) ke tiap unit output. • Kemudian setiap unit output (Yk) juga akan menghitung aktivasinya (yk) untuk menghasilkan respons terhadap input yang diberikan jaringan.
- 7. Algoritma Metode Backpropagation • Saat proses pelatihan (training), setiap unit output membandingkan aktivasinya (yk) dengan nilai target (tk) untuk menentukan besarnya error. • Berdasarkan error ini, dihitung faktor k, di mana faktor ini digunakan untuk mendistribusikan error dari output kembali ke layer sebelumnya. • Dengan cara yang sama, faktor j juga dihitung pada hidden unit Zj, di mana faktor ini digunakan untuk memperbaharui bobot antara hidden layer dan input layer. • Setelah semua faktor ditentukan, bobot untuk semua layer diperbaharui.
- 8. Algoritma Metode Backpropagation secara detail • Step 0 : Inisialisasi bobot dan bias • Baik bobot maupun bias dapat diset dengan sembarang angka (acak) dan biasanya angka di sekitar 0 dan 1 atau -1 (bias positif atau negatif) • Step 1 :Jika stopping condition masih belum terpenuhi, jalankan step 2-9. • Step 2 :Untuk setiap data training, lakukan step 3-8.
- 9. Algoritma Metode Backpropagation secara detail Umpan maju (feedforward) • Step 3 : Setiap unit input (Xi,i=1,…,n) menerima sinyal input xi dan menyebarkan sinyal tersebut pada seluruh unit pada hidden layer. Perlu diketahui bahwa input xi yang dipakai di sini adalah input training data yang sudah diskalakan. • Step 4 : Setiap hidden unit (Zj,j=1,…,p) akan menjumlahkan sinyal- sinyal input yang sudah berbobot, termasuk biasnya
- 10. Algoritma Metode Backpropagation secara detail dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari hidden unit yang bersangkutan, lalu mengirim sinyal output ini ke seluruh unit pada unit output
- 11. Algoritma Metode Backpropagation secara detail • Step 5 : Setiap unit output (Yk,k=1,…,m) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya,
- 12. Algoritma Metode Backpropagation secara detail dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari unit output yang bersangkutan:
- 13. Algoritma Metode Backpropagation secara detail Propagasi error (backpropagation of error) • Step 6: Setiap unit output (Yk,k=1,…,m) menerima suatu target pattern (desired output) yang sesuai dengan input training pattern untuk menghitung kesalahan (error) antara target dengan output yang dihasilkan jaringan:
- 14. Algoritma Metode Backpropagation secara detail • Faktor k ini digunakan untuk menghitung koreksi error (wjk) yang nantinya akan dipakai untuk memperbaharui wjk, di mana: wjk=kzj • Selain itu juga dihitung koreksi bias w0k yang nantinya akan dipakai untuk memperbaharui w0k, di mana: w0k=k • Faktor k ini kemudian dikirimkan ke layer yang berada pada step 7.
- 15. Algoritma Metode Backpropagation secara detail • Step 7 : Setiap hidden unit (Zj,j=1,…,p) menjumlah input delta (yang dikirim dari layer step 6) yang sudah berbobot.
- 16. Algoritma Metode Backpropagation secara detail • Faktor j ini digunakan untuk menghitung koreksi error (vij) yang nantinya akan dipakai untuk memperbaharui vij, di mana: vij=jxi • Selain itu juga dihitung koreksi bias v0j yang nantinya akan dipakai untuk memperbaharui v0j, di mana: v0j=j
- 17. Algoritma Metode Backpropagation secara detail • Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan jaringan untuk menghasilkan faktor koreksi error j, di mana: j= _inj f’(z_inj)
- 18. Algoritma Metode Backpropagation secara detail Pembaharuan bobot dan bias: • Step 8: • Setiap unit output (Yk,k=1,…,m) akan memperbaharui bias dan bobotnya dari setiap hidden unit. wjk(baru)=wjk(lama) + wjk • Demikian pula untuk setiap hidden unit akan memperbaharui bias dan bobotnya dari setiap unit input. vij(baru)=vij(lama) + vij
- 19. Algoritma Metode Backpropagation secara detail • Step 9 : Memeriksa stopping condition • Jika stop condition telah terpenuhi, maka pelatihan jaringan dapat dihentikan.
- 20. Algoritma Metode Backpropagation secara detail • Untuk menentukan stopping condition terdapat dua cara yang biasa dipakai, yaitu: • Membatasi iterasi yang ingin dilakukan. • Misalnya jaringan akan dilatih sampai iterasi yang ke-500. • Yang dimaksud dengan satu iterasi adalah perulangan step 3 sampai step 8 untuk semua training data yang ada. • Membatasi error. • Misalnya menentukan besar Mean Square Error antara output yang dikehendaki dan output yang dihasilkan oleh jaringan.
- 21. Algoritma Metode Backpropagation secara detail • Jika terdapat sebanyak m training data, maka untuk menghitung Mean Square Error digunakan persamaan berikut: • MSE=0,5x{(tk1-yk1)2 + (tk2-yk2)2 +…+ (tkm-ykm)2 }
- 22. Algoritma Metode Backpropagation secara detail • Setelah pelatihan selesai, jika kemudian jaringan diberi input, jaringan akan menghasilkan output seperti yang diharapkan. • Cara mendapatkan output adalah dengan mengimplementasikan metode backpropagation, tetapi hanya pada bagian umpan majunya saja, yaitu dengan langkah-langkah sebagai berikut:
- 23. Algoritma Metode Backpropagation secara detail • Step 0: Inisialisasi bobot sesuai dengan bobot yang telah dihasilkan pada proses pelatihan di atas. • Step 1: Untuk setiap input, lakukan step 2-4. • Step 2: Untuk setiap input i=1,…,n skalakan bilangan dalam range fungsi aktivasi seperti yang dilakukan pada proses pelatihan di atas.
- 24. Algoritma Metode Backpropagation secara detail • Step 3: untuk j=1,…,p:
- 25. Algoritma Metode Backpropagation secara detail • Step 4 : Untuk k=1,…,m:
- 26. Algoritma Metode Backpropagation secara detail • Variabel yk adalah output yang masih dalam skala menurut range fungsi aktivasi. • Untuk mendapatkan nilai output yang sesungguhnya, yk harus dikembalikan seperti semula.
- 27. Contoh aplikasi • Berikut ini adalah contoh cara pelatihan jaringan syaraf tiruan sederhana menggunakan metode Backpropagation. • Misalkan, jaringan terdiri dari 2 unit input, 1 hidden unit (dengan 1 hidden layer), dan 1 unit output. • Jaringan akan dilatih untuk memecahkan fungsi XOR. • Fungsi aktivasi yang digunakan adalah sigmoid biner dan learning rate () = 0,01.
- 28. • Arsitektur jaringan yang akan dilatih adalah sebagai berikut:
- 29. • Training data yang digunakan terdiri dari 4 pasang input- output, yaitu:
- 30. • Sebelum pelatihan, harus ditentukan terlebih dahulu stopping conditionnya. • Misalnya dihentikan jika error telah mencapai 0,41.
- 31. Langkah-langkah pelatihan • Step 0: Misalnya inisialisasi bobot dan bias adalah: v01=1,718946 v11=-1,263178 v21=-1,083092 w01=-0,541180 w11=0,543960
- 32. • Step 1: Dengan bobot di atas, tentukan error untuk training data secara keseluruhan dengan Mean Square Error: • z_in11=1,718946+{(0 x -1,263178)+(0x-1,083092)}=1,718946 • z11=f(z_in11)=0,847993 • z_in12=1,718946+{(0x-1,263178)+(1x-1,083092)}=0,635854 • z12=f(z_in12)=0,653816 • z_in13=1,718946+{(1x-1,263178)+(0x-1,083092)}=0,455768 • z13=f(z_in13)=0,612009 • z_in14=1,718946+{(1x-1,263178)+(1x-1,083092)=-0,627324 • z14=f(z_in14)=0,348118 • di mana indeks zjn berarti hidden unit ke-j dan training data ke-n.
- 33. • y_in11=-0,541180+(0,847993x0,543960)=0,079906 • y11=f(y_in11)=0,480034 • y_in12=-0,541180+(0,653816x0,543960)=-0,185530 • y12=f(y_in12)=0,453750 • y_in13=-0,541180+(0,612009x0,543960)=0,208271 • y13=f(y_in13)=0,448119 • y_in14=-0,541180+(0,348118x0,543960)=-0,351818 • y14=f(y_in14)=0,412941 • Maka E=0,5x{(0-0,480034)2 + (1-0,453750)2 ) + (1- 0,448119)2 + (0-0,412941)2 }=0,501957
- 34. • Step2. Karena error masih lebih besar dari 0,41 maka step 3-8 dijalankan. • Step 3. x1=0; x2=0 (iterasi pertama, training data pertama) • Step 4. • z_in1=1,718946+{(0x-1,263126)+(0x-1,083049)}=1,718946. • z1=f(z_in1)=0,847993 • Step 5. • y_in11=-0,541180+(0,847993x0,543960)=0,079906 • y11=f(y_in11)=0,480034 • Step 6. • 1=(0-0,480034)f ’(0,079906)=-0,119817 • w11=0,01x-0,119817x0,847993=-0,001016 • w01=0,01x-0,119817=-0,00119817
- 35. • Step 7. • _in1=-0,00119817x0,543960=-0,00065176 • 1=-0,00065176xf’(1,718946)=-0,00008401 • v11=0,01x-0,00008401x0=0 • v21=0,01x-0,00008401x0=0 • v01=0,01x-0,00008401=-0,0000008401 • Step 8. • w01(baru)=-0,541180+(-0,00119817)=-0,542378 • w11(baru)=0,543960+(-0,001016)=0,542944 • v01(baru)=1,718946+(-0,0000008401)=1,718862 • v11(baru)=-1,263178+0=-1,263178 • v21(baru)=-1,083092+0=-1,083092 • Saat ini v11 dan v12 masih belum berubah karena kedua inputnya =0. Nilai v01 dan v02 baru berubah pada iterasi pertama untuk training data yang kedua
- 36. • Setelah step 3-8 untuk training data pertama dijalankan, selanjutnya kembali lagi ke step 3 untuk training data yang kedua (x1=0 dan x2=1). • Langkah yang sama dilakukan sampai pada training data yang keempat. • Bobot yang dihasilkan pada iterasi pertama, training data ke-2,3, dan 4 adalah:
- 37. • Training data ke-2: • w01=-0,541023 • w11=0,543830 • v01=1,718862 • v11=-1,263178 • v21=-1,083092 • Training data ke-3: • w01=-0,539659 • w11=0,544665 • v01=1,719205 • v11=-1,263002 • v21=-1,082925 • Training data ke-4: • w01=-0,540661 • w11=0,544316 • v01=1,719081 • v11=-1,263126 • v21=-1,083049
- 38. • Setelah sampai pada training data ke-4, maka iterasi pertama selesai. • Berikutnya, pelatihan sampai pada step9, yaitu memeriksa stopping condition dan kembali pada step 2. • Demikian seterusnya sampai stopping condition yang ditentukan terpenuhi. • Setelah pelatihan selesai, bobot yang didapatkan adalah: • v01=12,719601 • v11=-6,779127 • v21=-6,779127 • w01=-5,018457 • w11=5,719889
- 39. • Jika ada input baru, misalnya x1=0,2 dan x2=0,9 maka outputnya dapat dicari dengan langkah umpan maju sebagai berikut: • Step 0. Bobot yang dipakai adalah bobot hasil pelatihan di atas. • Step 1. Perhitungan dilakukan pada step 2-4 • Step 2. Dalam contoh ini, bilangan telah berada dalam interval 0 sampai dengan 1, jadi tidak perlu diskalakan lagi. • Step 3. • z_in1=12,719601+{(0,2x-6,779127)+(0,9x-6,779127)}=5,262561 • z1=f(5,262561)=0,994845 • Step 4. • y_in1=-5,018457+(0,994845x5,719889)=0,671944 • y1=f(0,671944)=0,661938 • Jadi jika input x1=0,2 dan x2=0,9; output yang dihasilkan jaringan adalah 0,661938