Embed Size (px)
Citation preview
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.
inyif
inyif
inyif
inyf
_1
_0
_1
)_(
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.
X1
Xi
Xn
y
1
W1
W i
Wn
W0...
.
.
.
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 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 :
n
iiiwxbiny
1
_
inyif
inyif
inyif
inyf
_1
_0
_1
)_(
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 wi (baru) = wi (lama)
b(baru) = b(lama) jika masih ada bobot yang berubah maka kondisi
dilanjutkan, jika tidak maka proses berhenti.
Contoh Soal 2.1Buat jaringan Perceptron untuk menyatakan fungsi logika AND dengan menggunakan masukan biner dan keluaran bipolar. Pilih = 1 dan = 0,2
Jawab :
x1 x2 t
0 0 -1
0 1 -1
1 0 -1
1 1 1
f
w1
w2
x1
x2
n a
1
b
Pola hubungan masukan-target :
Masukan Target
Output
Perubahan bobot
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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 1Masukan Target
Output
Perubahan bobot
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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 1Masukan Target
Output
Perubahan bobot
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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 1Masukan Target
Output
Perubahan bobot
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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 1Masukan Target
Output
Perubahan bobot
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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 1Masukan Target
Output
Perubahan bobot
w = xi t b = t
Bobot baruwbaru = wlama +
wbbaru = 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 2.2Buat jaringan Perceptron untuk mengenali pola pada tabel di bawah ini. Gunaka = 1 dan = 0,1.
Jawab :
x1 x2 x3 t
0 1 1 -1
1 0 1 -1
1 1 0 -1
1 1 1 1
Masukan Target
Output
Perubahan bobotw = xi t b =
t
Bobot baruwbaru = wlama +
wbbaru = 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
