Upload
ahmad-farid-azizi
View
10
Download
0
Embed Size (px)
DESCRIPTION
JST
Citation preview
Perceptron
Konsep dasarAlgoritma
Contoh Problem
Konsep Dasar• Salah satu bentuk JST yang sederhana• Terdiri dari satu layer unit input (dimana jumlah
neuronnya sesuai dengan banyaknya jumlah komponen dari data yang dikenali) dan satu unit output
x1
x2
x3
w1
w2
w3
1b
bxw y_in f(y_in) y
Konsep Dasar• Fungsi aktivasi
• Fungsi aktivasi yang biasa digunakan adalah fungsi step bipolar dengan threshold tetap (θ)
• f(y_in)=1, jika y_in>θ 0, jika –θ ≤ y_in ≤ θ
-1, jika y_in < -θ• Apabila kesalahan terjadi untuk suatu pola masukan pelatihan, bobot
akan diubah dengan rumus:wi (new)= wi (old) + α.t.xi
• Jika tidak terjadi kesalahan bobot tidak berubah. Pelatihan akan terus dilakukan sampai tidak ada kesalahan
Konsep Dasar• Biasanya digunakan untuk mengklasifikasikan suatu tipe
pola tertentu yang sering dikenal dengan pemisahan linier
• Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan:
• Garis pemisah antara daerah negatif dan daerah nol memiliki pertidaksamaan:
• Bobot bisa diatur
0211 bxwxw 2
02211 bxwxw
Konsep Dasar• Algoritma mengatur parameter2 bebasnya
melalui proses pembelajaran• Fungsi aktivasi dibuat agar terjadi pemisahan
antara daerah positif dan negatif
•
+
+-
- x1
x2
Daerah positif
Daerah negatif
Konsep Dasar
• Arsitektur
x1
xi
xn
Y
1
b
wi
wn
w1
.
.
.
.
.
.
•Arsitektur spt pada gbr.
•Ada n unit masukan dan satu unit keluaran
•Terdapat satu unit bias yg selalu memberikan sinyal +1
•Tujuan jaringan adalah mengklasifikasi setiap pola masukan apakah termasuk atau tidak termasuk kedlam suatu kelas. Jika termasuk unit keluaran memberi respon +1 dan jika tidak unit keluaran memberi respon -1
Algoritma
• Algoritma Pelatihan• Algoritma Pengujian
10
Algoritma PelatihanStep 0. Inisialisasi seluruh bobot dan bias
( agar sederhana set bobot dan bias menjadi 0) set laju pembelajaran α (0<α≤1) ( agar sederhana set α menjadi 1)
Step 1. Selama kondisi berhenti adalah salah, lakukan step 2-6Step 2. Untuk setiap pasangan pelatihan s:t, lakukan step 3-5Step 3. Set aktivasi dari unit masukan
xi = si Step 4. Hitung Respon dari unit keluaran
y = 1, jika y_in > θ 0, jika -θ ≤ y_in ≤ θ
1, jika y_in < -θStep 5. Sesuaikan bobot dan Bias jika kesalahan terjadi untuk pola ini
Jika y ≠ t, makawi(new) = wi(old) + α.t.xi
b(new) = b(old) + α.tjika tidak, maka
wi(new) = wi(old) b(new) = b(old)
Step 6. Tes Kondisi berhenti:Jika masih ada bobot yang berubah pada step 2, kembali ke step 1; jika Tidak, kembali ke step 2
i
iiwxbiny _
Algoritma PengujianSetelah pelatihan, sebuah jaringan perceptron bisa digunakan untuk
mengklasifikasikan pola masukan. Langkah2 pengujian adalah sbb:
Step 0. Inisialisasi bobot dan bias (digunakan nilai bobot yang diperoleh dari algoitma pelatihan)Step 1. Untuk setiap vector masukan x, lakukan step 2-4Step 2. Set aktivasi dari unit masukan
xi = si Step 3. Hitung Total masukan ke unit keluaran
Step 4. Gunakan Fungsi aktivasiy =f(y_in)= 1, jika y_in > θ
0, jika -θ ≤ y_in ≤ θ 1, jika y_in < -θDimana nilai f(y_in) menjadi nilai kjeluaran dari unit keluaran (Y)
i
iiwxbiny _
Contoh ProblemDigunakan untuk mengklasifikasikan fungsi and
Bipolar input dan target
X1 x2 t
1 1 1
1 -1 -1
-1 1 -1
-1 -1 -1