Delta Rule

Algoritma delta rule untuk memperbaiki bobot ke-i (untuk setiap pola)
adalah:
w (baru) = w(lama) + (t – y)*xi;
dengan:
xi = input jaringan
y = output jaringan.
t = target.
α = learning rate
pelatihan akan dihentikan jika nilai error (t – y) pada suatu epoch
bernilai nol.
Delta Rule
 Masukan Target  xi wi Output Error Perubahan Bobot baru
(t-y) bobot wbaru = wlama
w = (t-y)x + w
x1 x2  t net y=f(n) Error w1 w2 w1 w2
Epoch ke – 1 0,1 0,3
0 0 0,2 0 0 0 0 0,1 0,3
0 1 0,2 1 0,3 0 1 0 0,2 0,1 0,5
1 0 0,2 1 0,1 0 1 0,2 0 0,3 0,5
1 1 0,2 1 0,8 1 0 0,3 0,5

Masukan Target  xi wi Output Error Perubahan Bobot baru

(t-y) bobot wbaru = wlama
w = (t-y)x + w
x1 x2  t net y=f(n) Error w1 w2 w1 w2
Epoch ke – 2 0,3 0,5
0 0 0,2 0 0 0 0 0,3 0,5
0 1 0,2 1 0,5 1 0 0,3 0,5
1 0 0,2 1 0,3 0 1 0,2 0 0,5 0,5
1 1 0,2 1 1 1 0 0,5 0,5
 Masukan Target  xi wi Output Error Perubahan Bobot baru
(t-y) bobot wbaru = wlama
w = (t-y)x + w
x1 x2  t net y=f(n) Error w1 w2 w1 w2
Epoch ke – 3 0,5 0,5
0 0 0,2 0 0 0 0 0,5 0,5
0 1 0,2 1 0,5 1 0 0,5 0,5
1 0 0,2 1 0,5 1 0 0,5 0,5
1 1 0,2 1 1 1 0 0,5 0,5

Jadi bobot terakhir untuk jaringan adalah w1 =

0,5 dan w2 = 0,5
Contoh Soal .1
Buat jaringan Perceptron untuk menyatakan fungsi logika
AND dengan menggunakan masukan biner dan keluaran
bipolar. Pilih  = 0,8 dan  = 0,5
Jawab :
Pola hubungan
x1 x2 t
masukan-target :
0 0 -1
0 1 -1
1 0 -1
1 1 1
X1
 net y
f
X2
 1, jika y _ in  0,5

b y   0, jika  0,5  y _ in  0,5
 1, jika y _ in  0,5

 Masukan Target  xi wi Output Perubahan bobot Bobot baru
+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke – 1 0 0 0
0 0 0,8 -1 0 0 0 0 -0,8 0 0 -0,8
0 1 0,8 -1 -0,8 -1 0 -0,8 -0,8 0 -0,8 -1,6
1 0 0,8 -1 -1,6 -1 -0,8 0 -0,8 -0,8 -0,8 -2,4
1 1 0,8 1 -4 -1 0,8 0,8 0,8 0 0 -1,6

Masukan Target  xi wi Output Perubahan bobot Bobot baru

+b w = xi t b = wbaru = wlama + w
t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 2 0 0 -1,6
0 0 0,8 -1 -1,6 -1 0 0 -0,8 0 0 -2,4
0 1 0,8 -1 -2,4 -1 0 -0,8 -0,8 0 -0,8 -3,2
1 0 0,8 -1 -3,2 -1 -0,8 0 -0.8 -0,8 -0,8 -4
1 1 0,8 1 -5,6 -1 0,8 0,8 0,8 0 0 -3,2
 Masukan Target  xi wi Output Perubahan bobot Bobot baru
+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke – 1 0 0 0
0 0 0,8 -1
0 1 0,8 -1
1 0 0,8 -1
1 1 0,8 1

Masukan Target  xi wi Output Perubahan bobot Bobot baru

+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 2
0 0 0,8 -1
0 1 0,8 -1
1 0 0,8 -1
1 1 0,8 1
 Masukan Target  xi wi Output Perubahan bobot Bobot baru
+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 5
0 0 0,8 -1
0 1 0,8 -1
1 0 0,8 -1
1 1 0,8 1

Masukan Target  xi wi Output Perubahan bobot Bobot baru

+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 6
0 0 0,8 -1
0 1 0,8 -1
1 0 0,8 -1
1 1 0,8 1
 Masukan Target  xi wi Output Perubahan bobot Bobot baru
+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 7
0 0 0,8 -1
0 1 0,8 -1
1 0 0,8 -1
1 1 0,8 1

Masukan Target  xi wi Output Perubahan bobot Bobot baru

+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 8
0 0 0,8 -1
0 1 0,8 -1
1 0 0,8 -1
1 1 0,8 1
 Masukan Target  xi wi Output Perubahan bobot Bobot baru
+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 9
0 0 0,8 -1
0 1 0,8 -1
1 0 0,8 -1
1 1 0,8 1
Latihan Soal .3 (TUGAS)
Buat jaringan Perceptron untuk mengenali pola pada tabel di
bawah ini. Gunaka  = 1 dan  = 0,1.

x1 x2 X3 t
0 1 1 -1
1 0 1 -1
1 1 0 -1
1 1 1 1
 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 ify
_ 
in 
f(
y _
in)


0 if y_ 
in  

 1 ify_ 
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 y

.
. 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 bobot dan bias
dengan angka 0).
Set learning rate α (0 < α ≤ 1) (untuk sederhananya, set α 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 :

 1 ify
_ 
in 
 
n

y_ 
inbx
iwi f(
y _
in)
0 if y_ 
in
i
1 
 1 ify_ 
in  
c. perbaiki bobot dan bias, jika terjadi kesalahan pada pola ini :
jika y ≠ t, maka
 ∆w=α*t*xi
 wi (baru) = wi (lama) + w dengan w =  * xi * t
 b(baru) =b(lama) +  b dengan b =  * t
jika tidak, maka
c. wi (baru) = wi (lama)
d. b(baru) = b(lama)
c. 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 masukan-target :

x1 x2 t
0 0 -1
0 1 -1
1 0 -1
1 1 1

x1 w1
n a
 f
w2
x2
b

1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 1 0 0 0
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 2
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 3
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 4
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 5
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 6
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 7
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 8
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 9
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 10
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
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 t
0 1 1 -1
1 0 1 -1
1 1 0 -1
1 1 1 1
Jawab :
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 x3 1 t a w1 w2 w3 b w1 w2 w3 b

Inisialisasi 0 0 0 0
0 1 1 1 -1
1 0 1 1 -1
1 1 0 1 -1
1 1 1 1 1