Professional Documents
Culture Documents
PERTEMUAN KE 4
JARINGAN PERCEPTRON
A. TUJUAN PEMBELAJARAN
Pada bab ini akan dijelaskan mengenai Jaringan Perceptron , seperti:
4.1 Jaringan Perceptron
4.2 Algoritma Jaringan Perceptron
B. URAIAN MATERI
Tujuan Pembelajaran 4.1:
Perceptron merupakan suatu bentuk pelatihan dari jaringan syaraf tiruan yang
biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu secara linier.
Algoritma yang digunakan oleh Perceptron ini akan mengatur parameter-parameter
bebasnya melalui proses pembelajaran Sedangkan, fungsi aktivasinya yang
sedemikian rupa akan dapat melakukan pembatasan antara daerah positif dan negativ,
diperlihatkan dalam gambar 4-1 berikut ini:[1]
Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan sebagai
berikut:
W1.X1 + W2.X2 -b
Sedangkan garis pemisah antara daerah negative dengan daerah nol memiliki
pertidaksamaan sebagai berikut:
W1.X1 + W2.X2 < -b
Contoh:
Akan dibuat jaringan syaraf Tiruan untuk operasi AND dengan 2 input dan 1 output
biner adalah sebagai berikut:
Input Target
0 0 0
0 1 0
1 0 0
1 1 1
Penyelesaian:
% Buat Operasi AND dengan menggunakan jaringan Perceptron
% Membangun Jaringan Perceptron
P=[0 0 1 1;0 1 0 1];
T=[0 0 0 1];
net=newp([0 1;0 1],1);
jumlah_input = net.inputs{1}.size
range_input = net.inputs{1}.range
jumlah_output = net.outputs{1}.size
jumlah_lapisan = net.layers{1}.size
jumlah_bias = net.biases{1}.size
jumlah_bobot_input = net.inputWeights{1}.size
nilai_bobot_input = net.IW{:}
jumlah_bobot_Lapisan = net.LW{:}
nilai_bias_input = net.b{1}
%Pelatihan
net = init(net);
net.adaptParam.passes =6;
[net,Y,E]=adapt(net,P,T);
%simulasi
a=sim(net,P)
%Mencari MSE
Error = mse(E)
C. DAFTAR PUSTAKA