Jaringan Syaraf Tiruan

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

Target = Nilai yang diinginkan

Output = Nilai yang keluar dari neuron = a
Proses Compare (membandingkan) antara output
dengan target
Jika terjadi perbedaan maka weight/bobot di adjust/atur
sampai nilai ouput = (mendekati) nilai target

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

i adalah jumlah input perceptron dan step adalah

fungsi aktivasi

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

Mengaktifkan perceptron dengan memakai masukan

p1(k), p2(k) dan target yang dikehendaki t(k).
Hitunglah output aktual pada iterasi ke-k = 1

n(1)

= p1(1).w 1(1) + p2(1).w 2(1) - b

= (0 x 0.3) + (0 x 0.1) (1)
= -1 (negatif) a(1) = 0

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

Perorangan hitung secara manual melatih perseptron

untuk fungsi AND, XOR, XNOR
Kelompok buat program perceptron