Perhitungan Artificial Neural Network Perceptron Menggunakan Microsoft Excel

Bismillahirrahmanirrahim.
Regresi linear merupakan metode statistika yang digunakan untuk melihat pengaruh antara variabel bebas dengan variabel terikat. Metode ini biasanya digunakan pada jenis penelitian expost facto, contohnya survei kepuasaan pelanggan untuk sebuah produk perusahaan atau pelayanan di instansi pemerintah. Artificial Neural Network Perceptron merupakan topik dalam data maining untuk klasifikasi. Ada dua istiah penting yang perlu diketahui yaitu Training dan Testing. Training merupakan proses untuk mengenali pola pada data yang tersedia untuk mendapatkan model atau bobot akhir yang akan digunakan dalam memprediksi input yang masuk. Sedangkan testing yaitu proses pengujian menggunakan model atau bobot pada data yang tersedia ataupun inputan data baru yang didapatkan pada proses training. Nah, tahapan yang dilakukan dalam Analisis Klasifikasi dengan Artificial Neural Network Perceptron menggunakan software Microsoft Excel sebagai berikut.

Buka aplikasi Microsoft Excel
Siapkan data yang akan diprediksi. Data yang disajikan dibawah ini merupakan data yang akan diprediksi dalam Analisis Neural Network Perceptron dengan prediksi apakah calon customer dengan salary 4,7 dan pengeluaran 4,3 masuk dalam kategori/ status (y) atau tidak.
Tampilkan prediksi data yang akan di iterasi

Inisialisasi bobot awal (W0), learning rate (ƞ), dan menentukan thresold yaitu:
Menghitung V yang merupakan hasil kali data dengan bobot masing-masing dengan cara V = X1 * W1 + X2 * W2 atau dengan menggunakan rumus excel yaitu =B11*G1+C11*G2.
Berikutnya menghitung Y’ dengan fungsi aktivasi. Cara menghitungnya yaitu dengan menampilkan sebuah kondisi dengan fungsi sigmoid binner yaitu jika V lebih kecil daripada Thresold maka luaran Y’maka 0, jika tidak Y’ maka 1. Atau luaran Y’ =if(1,33<0,01 kemudian tekan tombol f4,0,1) atau dalam rumus Excel Luaran Y’ =IF(D11<$H$4;0;1)
Menghitung error sebagai selisih antara target nilai Y dan Y’ dengan cara Y dikurang dengan Luaran Y’ atau Error =F11-E11
Jika masih ada error maka, perbaharui bobot menggunakan formula (Wbaru = Wlama+Learning Rate*Error*X) . Untuk W1 baru = W1+Learning rate*error*X1 (karena mencari data w1 maka dikalikan dengan X1) sehingga dihasilkan:
Untuk W2 baru = W2+Learning rate*error*X2 (karena mencari data w2 maka dikalikan dengan X2) sehingga dihasilkan:
Tahap berikutnya mencari Delta W1 dengan cara W1 baru dikurang dengan W1 lama atau Delta W1 = W1 baru – W1
Mencari Delta W2 yaitu W2 baru dikurang dengan W2 lama atau Delta W2 =W2 baru –W2
Pada perhitungan yang pertama belum bisa di drag ke bawah karena data W1 sampai pada thresold berada pada bagian atas. Berbeda dengan w1 sampai delta2 berada pada bagian bawah sehingga belum mengikuti pola sebelumnya. Oleh karena itu, dengan cara yang sama mulai dari tahap sebelumnya, ulangi langkah berikutnya hingga tidak ada lagi error.
- Mencari V pada data bagian ke dua yaitu V = X1*W1 baru + X2*W2 baru
- Mencari luarayan Y’, karena thresold tidak berubah atau tidak ada thresold baru, maka data tersebut bisa di drag ke bawah. Begitupula dengan errornya karena fungsinya hanya mengurangkan Y dengan Y’ sehingga:
- Untuk bobot w1 baru yaitu bobot W1 baru dijumlahkan dengan thresold kemudikan klik f4 dikalikan dengan error yang kedua dikali dengan X1
- Untuk bobot W2 baru yaitu bobot W2 baru dijumlahkan dengan thresold kemudikan klik f4 dikalikan dengan error yang kedua dikali dengan X2
- Mencari Delta W1 dan W2 langsung saja di drag ke bawah karena w1 baru dan w2 baru pada data ke dua sudah ada seihngga:
- Setelah semuda data sudah membentuk pola dan susunannya masing-masing, maka data bisa secara langsung di drag ke bawah, maka:
Setelah seluruh data errornya sama dengan 0 maka sudah tidak ada selisih luaran Y prediksi dengan Y target. Dapat dilihat bahwa bobot akhir dari iterasi ke-5 atau W1 sama dengan 0,3 dan W2 =-0,4 sehingga dari data tersebut dihasilkan:
Karena hasil prediksi yang diperoleh = 0 maka dapat disimpulkan bahwa untuk salary 7,7 dengan pengeluaran 6,5 dinyatakan dengan status atau kategori tidak membeli.