Professional Documents
Culture Documents
Perceptron
Jaringan Perceptron
Perceptron (Rosenblatt, 1958): JST training yang
sederhana dipakaikan prosedur algoritma training yang
pertama kali.
Termasuk paradigma pembelajaran terawasi
(supervised)
Terdiri dari neuron tunggal dengan bobot synaptic yang
diatur dan hard limiter.
Operasinya didasarkan pada model neuron McCulloch
dan Pitts.
Jumlah input yang telah diboboti dipakaikan kepada hard
limiter: menghasilkan output +1 jika input positif dan -1
jika negatif
Mengklasifikasikan output ke dalam dua area A1 dan A2.
Tidak bisa memecahkan masalah XOR.
Proses Belajar
Algoritma Perceptron
1. Inisialisasi Awal
Mengatur bobot w1, w2, ..., wn interval [-0.5 0.5],
Mengatur bias/threshold b
Mengatur kecepatan pembelajaran , fungsi aktivasi
2. Hitung keluaran
Mengaktifkan perceptron dengan memakai
masukan p1(k), p2(k), ..., pi(k) dan target yang
dikehendaki t(k).
Hitunglah output aktual pada iterasi ke-k = 1
Algoritma Perceptron
3. Hitung error
e(k) = t(k) a(k) t(k) = target, a(t)=keluaran
perceptron
4. Atur Bobot
Mengupdate bobot perceptron
wi(k+1) = wi(k) + wi(k)
w(k+1) bobot baru, w(k) bobot yg lalu
wi(p) adalah pengkoreksian bobot pada iterasi k,
yang dihitung dengan:
wi(p) = x pi(k) x e(k)
5. Pengulangan
Naikkan iterasi k dengan 1 (k=k+1), kembalilah ke
langkah ke dua dan ulangi proses sampai
keluaran=target atau mendekati target.
Contoh
Melatih perceptron : Operasi OR
Contoh Pembelajaran
1. Inisialisasi Awal
Data
(P)
Bobot
(w)
Target
(Fd)
0.3
2
0
0.2
Mengatur bias/threshold b=1
Mengatur kec pembelajaran =0.2,
fungsi aktivasi-> step
2. Hitung Output
n(1)
Contoh Pembelajaran
3. Hitung error
e(k) = t(k) a(k) = 0 0 = 0
4. Atur Bobot
Mengupdate bobot perceptron
wi(k+1) = wi(k) + wi(k)
w1(2) = 0.3 + w1(1)
w1(1) = x pi(1) x e(1) = 0.2 x 0 x 0 = 0
maka w1(2) = 0.3 + 0 = 0.3 (tidak berubah)
wi(k+1) = wi(k) + wi(k)
w2(2) = 0.2(1) + w2(1)
w2(1) = x pi(1) x e(1) = 0.2 x 0 x 0 = 0
maka w2(2) = 0.2 + 0 = 0.2 (tidak berubah)
5. Pengulangan
Naikkan iterasi k dengan 1 (k=k+1), kembalilah ke
langkah ke dua dan ulangi proses sampai keluaran =
target atau mendekati target.
Contoh Pembelajaran
K=2 (Data ke 2)
Inisialisasi awal
X
Data
(P)
Bobot
(w)
Target
0.3
0.2
2. Hitung Output
n(2)
= p1(2).w 1(2) + p2(2).w 2(2) - b
= (0 x 0.3) + (1 x 0.2) (1)
= -0.8 a(2) = 0
3. Hitung error
e(2) = target(2) a(2)
=10 =1
Contoh Pembelajaran
4. Update Bobot
Mengupdate bobot perceptron
wi(k+1) = wi(k) + wi(k)
w1(3) = 0.3 + w1(2)
w1(2) = x p1(1) x e(1) = 0.2 x 0 x 1 = 0
maka w1(3) = 0.3 + 0 = 0.3 (tidak berubah)
wi(k+1) = wi(k) + wi(k)
w2(3) = 0.2+ w2(2)
w2(1) = x p2(1) x e(1) = 0.2 x 1 x 1 = 0 .2
w2(3) = 0.2 + 0.2 = 0.4 (berubah)
maka
Flowchart
Perceptron
Tugas