ii. Perseptron multiaras ini menggunakan kaedah pemindahan, pengaktifan dan fungsi untuk mengubah input pada neuron. Pengaktifan lapisan output dan lapisan tersembunyi pada neuron adalah sama seperti yang terdapat pada perseptron satu aras. Fungsi pemindahan pula merupakan fungsi yang tidak linear seperti fungsi sigmoid. Fungsi sigmoid ini dipilih kerana algoritma ini memerlukan fungsi tindak balas secara berterusan.
Pemberat dan bias di dalam rangkaian biasanya dikenalpasti dengan nilai rawak yang kecil. Seterusnya bentuk latihan digunakan di dalam unit input dan pengaktifan
neuron pada lapisan tersembunyi yang pertama dikira. Output yang dihasilkan oleh neuron-neuron ini melalui fungsi permindahan dan seterusnya ke neuron yang berada pada lapisan berikutnya. Proses ini berulang pada setiap lapisan sehingga isyarat output dari neuron pada lapisan input diperolehi.
Jika output yang dihasilkan oleh rangkaian adalah tepat, maka penyambungan neuron output kepada neuron input adalah tidak berubah. Jika output rangkaian lebih besar daripada output yang dikehendaki pada mana-mana nod, penyambungan di antara neuron itu dengan semua neuron input berkurangan. Manakala jika output lebih kecil daripada nilai yang sepatutnya, nilai penyambungan semakin bertambah.
3.6.5.1 Faktor-Faktor yang Mempengaruhi Prestasi Rangkaian
Antara faktor-faktor yang mempengaruhi prestasi rangkaian ialah:
i. Kadar pembelajaran (lr)
Dengan membuat penentuan yang sesuai terhadap nilai kadar pembelajaran, saiz perubahan nilai pemberat yang dibuat pada setiap lelaran dapat
ditentukan dan disamping itu ia dapat mempengaruhi masa pemusatan rangkaian. Pemilihan nilai yang terlalu kecil akan menyebabkan tempoh untuk penumpuan agak lama dan berkemungkinan juga tidak berlaku penumpuan. Kadar pembelajaran boleh dibayangkan sebagai jarak langkah yang diambil oleh algoritma untuk mengesan permukaan ralat bagi setiap lelaran [7].
ii. Pemalar momentum (mc)
Dengan menambah suatu nilai momentum pada ungkapan kecerunan dapat memberbaiki kadar pemusatan rangkaian. Penambahan sebahagian kecil
perubahan nilai pemberat terdahulu kepada perubahan pemberat semasa dapat membantu memudahkan laluan penurunan pencarian ralat dengan menghalang berlakunya perubahan yang keterlauan pada kecerunan [7].
iii. Penjelmaan atau penskalaan data
Dengan membuat penjelmaan terhadap data, rangkaian dapat di elakkan daripada masalah pengiraan semasa proses pembelajaran rangkaian.
3.6.6 Pendekatan Kaedah Rambatan Ke Belakang
Kaedah rambatan ke belakang bermaksud rangkaian yang dibina secara multiaras, rangkaian suapan ke depan (feedforward) yang menerima latihan rambatan ke belakang yang menyelesaikan kebanyakan masalah. Kaedah ini biasanya mempunyai satu aras input, satu aras output dan satu atau lebih aras tersembunyi. Masih belum ada teori yang menyatakan had terhadap bilangan aras tersembunyi, tetapi biasanya rangkaian
mempunyai hanya satu atau dua aras tersembunyi. Kesemua nod dalam aras berhubungan antara satu sama lain dengan nod dari aras yang sebelumnya dan aras selepasnya. Pertalian pemberat antara dua nod menggambarkan kekuatan perhubungan antara nod-nod tersebut. Penentuan pemberat ini dilakukan secara rawak yang
merupakan fokus utama dalam proses rangkaian neural.
Matlamat utama algoritma rambatan ke belakang ini adalah untuk
meminimumkan jumlah ralat kuasa dua bagi output yang dikira oleh rangkaian [5]. Tiga peringkat latihan bagi algoritma ini ialah, pertama suapan ke hadapan untuk membentuk input latihan. Kedua ialah pengiraan dan rambatan ke belakang bagi mengira ralat. Dan ketiga pula penyesuaian nilai bagi pemberat.
Terdapat beberapa komponen yang perlu dipertimbangkan apabila membangunkan model rangkaian neural, iaitu:
i. Saiz rangkaian iaitu bilangan nod input, nod output, dan nod tersembunyi. ii. Nilai awalan pemberat, nilai parameter pembelajaran (momentum dan
kadar pembelajaran).
iii. Pemilihan fungsi keaktifan atau penggiatan samada linear, sigmoid, tangen dan sin.
iv. Algoritma pembelajaran.
v. Pembentukkan set data latihan dan pengujian. vi. Cara menganalisis data.
Fungsi penggiatan untuk rambatan ke belakang mempunyai ciri-ciri yang bersifat berterusan. Fungsi penggiatan tidak berubah-ubah dan ia juga tidak bertambah secara monotonik. Fungsi penggiatan yang selalu digunakan untuk model ini adalah fungsi sigmoid yang mempunyai nilai binari 0 dan 1 (0,1) dengan rumus:
1 ) 1 ( ) (x = +e−x − f dengan nilai f'(x)= f(x)[1−(f(x))] 3.6.6.1 Proses Pembelajaran
Proses pembelajaran dalam rangkaian neural bertujuan untuk mempelajari corak output daripada bentuk data input. Dalam proses pembelajaran ini, rangkaian sentiasa dibekalkan dengan data dari persekitaran yang sebenar iaitu output yang telah diketahui. Bagi setiap bentuk data, rangkaian membuat ramalan output dengan menggunakan satu nilai pemberat pertalian permulaan. Jika ramalan benar, rangkaian seterusnya akan
mengalih kebentuk data yang lain. Tetapi jika ramalan yang dibuat tidak tepat, pemberat yang lain akan dimasukkan. Seterusnya peramalan baru akan dibuat dan diperiksa ketepatannya. Proses ini akan berulang sehingga peramalan tepat di perolehi. Proses pembelajaran merupakan proses penyesuaian pemberat sehingga peramalan output yang tepat diperolehi.
Proses pembelajaran umumnya memerlukan bilangan lelaran yang banyak untuk rangkaian melakukan pengecaman dangan lebih tepat. Jika terlalu banyak lelaran, rangkaian akan menjadi kurang stabil. Setiap unit proses pada aras output menghasilkan satu nilai nyata yang kemudiannya dibandingkan dengan data output sasaran
sebagaimana ditetapkan dalam set latihan. Nilai ralat dikira bagi setiap unit pemprosesan pada aras output. Kemudian pemberat diselaraskan untuk semua talian yang menuju ke aras output. Nilai ralat akan dihitung pula bagi semua unit pemprosesan pada aras tersembunyi. Pemberat tersebut kemudian diselaraskan untuk semua talian yang menuju ke aras tersembunyi. Proses ini berterusan sehingga nilai pemberat mencapai nilai yang optimum dan ralat yang wujud pada aras tersembunyi dan aras output adalah terkecil atau menghampiri sifar. Rajah 3.11 menunjukkan pengoperasian rambatan ke belakang.
∑ ∑ ∑ ∑ p1 w111 x11 y x21 w211 a11 a21 w212 a22 w112 w121 w122 p2 b11 w222 a12 w221 x12 e2 e1 x22 z x b12