Algoritma Perambatan Maju: Perbedaan antara revisi

Konten dihapus Konten ditambahkan

Sebaris

Revisi terkini sejak 26 Desember 2022 09.03

Algoritme Perambatan Maju atau forward-propagation merupakan algoritme pada jaringan saraf tiruan untuk menghitung nilai keluaran suatu nilai masukan yang dirambatkan pada jaringan saraf tiruan yang sudah didefinisikan.

Definisi

Diketahui jaringan saraf tiruan yang terdiri dari tiga lapisan: lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer) dengan jumlah semua lapis sebanyak $\mathrm {I}$ dengan data masukan yang akan dilatih dinyatakan dalam notasi $X$ dengan keluaran $y$ . Pada setiap lapisannya, jumlah neuron pada lapisan ke- $i,(0\leq i<\mathrm {I} )$ adalah $l_{i}$ ; matriks beban $W^{(i)}\in \mathbb {R} ^{l_{i-1}\times l_{i}}$ ; nilai bias $b_{i}$ dan fungsi aktivasi $f$ . Algoritme ini dimulai dari lapisan ke-1 (lapisan tersembunyi pertama atau lapisan keluaran jika $\mathrm {I} =2$ ) dengan melakukan perhitungan nilai luaran pada neuron ini $h^{(i)}=f(b_{i}+W^{(i)}h^{(i-1)})$ dimana $h^{(0)}=x$ diambil langsung dari nilai masukan.

Artikel bertopik komputer ini adalah sebuah rintisan. Anda dapat membantu Wikipedia dengan mengembangkannya.

@@ Baris 1: / Baris 1: @@
+{{Underlinked|date=Desember 2022}}
 '''Algoritme Perambatan Maju''' atau '''forward-propagation''' merupakan algoritme pada [[jaringan saraf tiruan]] untuk menghitung nilai keluaran suatu nilai masukan yang dirambatkan pada jaringan saraf tiruan yang sudah didefinisikan.
 == Definisi ==
 Diketahui jaringan saraf tiruan yang terdiri dari tiga lapisan: lapisan masukan (''input layer''), lapisan tersembunyi (''hidden layer'') dan lapisan keluaran (''output layer'') dengan jumlah semua lapis sebanyak <math>\Iota </math> dengan data masukan yang akan dilatih dinyatakan dalam notasi <math>X</math> dengan keluaran <math>y</math> . Pada setiap lapisannya, jumlah ''neuron'' pada lapisan ke-<math>i, (0 \leq i < \Iota)</math> adalah <math>l_i</math>; matriks beban <math>W^{(i)} \in \mathbb{R}^{l_{i-1} \times l_i}</math>; nilai ''bias'' <math>b_i</math> dan fungsi aktivasi <math>f</math>. Algoritme ini dimulai dari lapisan ke-1 (lapisan tersembunyi pertama atau lapisan keluaran jika <math>\Iota = 2</math>) dengan melakukan perhitungan nilai luaran pada ''neuron'' ini <math>h^{(i)} = f(b_i + W^{(i)}h^{(i-1)})</math> dimana <math>h^{(0)} = x</math> diambil langsung dari nilai masukan.
-{{Komputer-stub}}
 [[Kategori:Algoritme optimasi]]
 [[Kategori:Pemelajaran mesin]]
 [[Kategori:Jaringan Saraf Tiruan]]
+{{Komputer-stub}}