Otak manusia dipercaya merupakan organ paling kompleks yang dikenal di alam semesta. Komponen fundamental otak adalah neuron, ada sekitar 100 miliar neuron yang dihubungkan dengan sekitar 100 triliun keterkaitan.terinspirasi dari prinsip komputasi yang dilakukan oleh jaringan saraf biologis otak, sistem komputasi yang disebut dengan jaringan syaraf tiruan dikembangkan.
Backprogration atau Propagasi Balik adalah salah satu dari jaringan saraf tiruan atau neural network yang merupakan bagian dari metode pelatihan yang diawasi oleh Supervised Learning dengan jaringan multi layer dan memiliki ciri khusus meminimalkan error pada output yang dihasilkan oleh jaringan.
Biasanya pada proses klasifikasi Backprogration Neural Network akan dilakukan dengan dua tahap perhitungan, yaitu:
- Perhitungan maju yang akan menghitung nilai kesalahan atau error antara nilai output system dengan nilai yang seharusnya
- Perhitungan mundur untuk memperbaiki bobot berdasarkan nilai error tersebut.
Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu mengenali kegiatan berbasiskan data masa lalu. Masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga memiliki kemampuan untuk memberikan keputusan pada data yang belum pernah dipelajari.
Jaringan saraf tiruan didasarkan pada beberapa asumsi :
- Pengolahan informasi terjadi pada neuron
- Sinyal-sinyal dilewatkan diantara neuron melalui rantai penghubung
- Masing-masing rantai penghubung akan mengalihkan sinyal yang ditransmisikan
- Masing-masing neuron menggukan fungsi aktivasi pada jaringan masukkannya untuk menentukakn sinyal keluaran.
Aplikasi dan Perbandingan Algoritma Backprogration Neural Network di MATLAB
Jaringan Backprogration Neural Network adalah jaringan saraf yang paling banyak diterapkan. Ada sejumlah algoritma saat ini. Kekuatan dan kelemahan masing-masing dari 8 jenis algoritma Backprogration Neural Network yang disediakan oleh toolbox jaringan saraf di MATLAB dipelajari untuk memilih algoritma yang lebih tepat dan lebih cepat dalam kondisi yang berbeda. Berdasarkan hal tersebut, pengukuran tingkat vakum dengan metode magnetron-discharge diambil sebagai contoh untuk melakukan simulasi, langkah-langkah konvergensi dari berbagai algoritma Backprogration Neural Network dibandingkan dalam situasi yang berbeda, properti konvergensi cepat dari trainlm dikonfirmasi , diperoleh kesimpulan bahwa algoritma Backprogration Neural Network dapat meramalkan tingkat kevakuman.