Scribd
Unggah
231 tayangan15 halaman

Jaringan Perceptron

Teks tersebut membahas tentang metode pelatihan Perceptron dan algoritmanya. Perceptron dapat mengklasifikasikan pola masukan menjadi nilai +1 atau -1 dengan melatih bobot sinapsnya secara iteratif hingga konvergen. Algoritma melibatkan inisialisasi bobot secara acak, menghitung output, memperbarui bobot jika ada kesalahan berdasarkan aturan delta.

Diunggah oleh

Arafat
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PPT, PDF, TXT atau baca online di Scribd
231 tayangan15 halaman

Jaringan Perceptron

Teks tersebut membahas tentang metode pelatihan Perceptron dan algoritmanya. Perceptron dapat mengklasifikasikan pola masukan menjadi nilai +1 atau -1 dengan melatih bobot sinapsnya secara iteratif hingga konvergen. Algoritma melibatkan inisialisasi bobot secara acak, menghitung output, memperbarui bobot jika ada kesalahan berdasarkan aturan delta.

Diunggah oleh

Arafat
Hak Cipta
© © All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PPT, PDF, TXT atau baca online di Scribd
Anda di halaman 1/ 15

By Arafaf, M.

Kom

Metode pelatihan Perceptron lebih kuat dari


metode Hebb terutama dalam iterasi yang dapat
membuat output dari bobot menjadi konvergen.
Perbedaan tipe Perceptron pertama kali
dikemukakan oleh Rosenblatt (1962) dan Minsky
(1969) .dan Papert (1988).
Aktivasi yang digunakan dalam pereptron
adalah aktivasi bipolar, yaitu -1, 0, 1.

1 if y _ in

f ( y _ in) 0 if y _ in
1 if y _ in

Arsitektur Perceptron sederhana adalah terdiri


dari beberapa input dan sebuah output.
Tujuan dari jaringan adalah untuk
mengklasifikasikan masing-masing pola input
dan pola output baik yang bernilai +1 atau
yang bernilai -1.
1

X1
W0

.
.
.

W1

Xi

Wi

.
.
.

Wn

Xn

Algoritma berlaku untuk input bipolar atau


input biner dengan nilai target bipolar dan
nilai threshold yang tetap serta nilai bias
yang dapat diatur.
Langkah 1 :

Inisialisasi bobot dan bias (untuk sederhananya, set


bobos dan bias dengan angka 0).
Set learning rate (0 < 1) (untuk
sederhananya, set dengan angka 1)

Langkah 2:
Selama kondisi berhenti bernilai salah, lakukan
langkah berikut :
Untuk masing-masing pasangan s dan t, kerjakan :

a : set aktivasi dari unit input : xi = si


b : hitung respon untuk unit output :

y _ in b xi wi
i 1

1 if y _ in

f ( y _ in) 0 if y _ in
1 if y _ in

c.

perbaiki bobot dan bias, jika terjadi kesalahan


pada pola ini :

jika y t, maka

w=*t*xi
wi (baru) = wi (lama) + w dengan
w = * xi * t
b(baru) =b(lama) + b dengan b
=*t
jika tidak, maka

wi (baru) = wi (lama)

b(baru) = b(lama)
jika masih ada bobot yang berubah maka kondisi
dilanjutkan, jika tidak maka proses berhenti.

Contoh Soal 2.1


Buat jaringan Perceptron untuk menyatakan fungsi logika AND dengan
menggunakan masukan biner dan keluaran bipolar. Pilih = 1 dan = 0,2
Jawab :
Pola hubungan masukantarget :
x1

x2

-1

-1

-1

x1
x2

w1
w2

b
1

Masukan

x1

x2

Targe
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

w2

w2

Epoch ke - 1
0

-1

-1

1
0
1
1Masukan
1
1

x1

x2

-1
Targe
1
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

Epoch ke - 2
0

-1

-1

-1

w2

w2

Masukan

x1

x2

Targe
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

w2

w2

Epoch ke - 3
0

-1

-1

1
0
1
1Masukan
1
1

x1

x2

-1
Targe
1
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

Epoch ke - 4
0

-1

-1

-1

w2

w2

Masukan

x1

x2

Targe
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

w2

w2

Epoch ke - 5
0

-1

-1

1
0
1
1Masukan
1
1

x1

x2

-1
Targe
1
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

Epoch ke - 6
0

-1

-1

-1

w2

w2

Masukan

x1

x2

Targe
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

w2

w2

Epoch ke - 7
0

-1

-1

1
0
1
1Masukan
1
1

x1

x2

-1
Targe
1
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

Epoch ke - 8
0

-1

-1

-1

w2

w2

Masukan

x1

x2

Targe
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

w2

w2

Epoch ke - 9
0

-1

-1

1
0
1
1Masukan
1
1

x1

x2

-1
Targe
1
t

Outpu
t

Perubahan
bobot
w = xi t b
= t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

a=f(n)

w1

w1

Epoch ke - 10
0

-1

-1

-1

w2

w2

Iterasi akan di hentikan pada epoch ke 10 karena fnet sudah


sama dengan target nya

Latihan Soal 2.2


Buat jaringan Perceptron untuk mengenali pola pada tabel di bawah ini.
Gunaka = 1 dan = 0,1.
x1

x2

x3

-1

-1

-1

Jawab :

Masukan

x1

x2

x3

Target Outpu
t

Perubahan bobot
w = xi t b =
t

Bobot baru
wbaru = wlama +
w
bbaru = blama +
b

w1

w1

w2

w3

w2

w3

Inisialisasi
0

-1

-1

-1

Anda mungkin juga menyukai