MODUL AJAR SISTEM CERDAS

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:

Jaringan Perceptron [2]

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]

Gambar 4-1 Pembatasan linier dengan Perceptron

S1 TEKNIK ELEKTRO, UNVERSITAS PAMULANG Page 14

MODUL AJAR SISTEM CERDAS

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

Bentuk single layer Perceptron digambarkan sebagai berikut:

Gambar 4-2 Arsitektur Perceptron satu lapisan

Arsitektur perceptron terdiri dari 3 unit input (x1, xi, xn) dan sebuah output (y).
Adapun w1,wi, dan wn merupakan bobot-bobot yang diberikan kepada jaringan saat
terjadi koneksi antara sel pada unit masukan dan sel pada unit keluaran sedangkan
nilai Sel bias (b) bernilai 1.

S1 TEKNIK ELEKTRO, UNVERSITAS PAMULANG Page 15

MODUL AJAR SISTEM CERDAS

Tujuan Pembelajaran 4.2:

Algoritma Jaringan Perceptron

Langkah-langkah algoritma pelatihan Peceptron adalah sebagai berikut:

Langkah 0 Inisialisasi bobot dan nilai sel bias
(Tetapkan bobot awal = 0 dan nilai sel bias awal =0 ). Tetapkan pula
laju pelatihan (0 < 1) biasanya , =1.
Set maximum epoh, tetapkan epoh = 0
Langkah 1 Selama kondisi berhenti bernilai false, lakukan langkah-langkah
sebagai berikut:
a. Untuk setiap pasangan pelatihan si dan ti dengan
i = 1,2,3,,n maka lakukan beberapa langkah berikut:
(i) Tetapkan aktivasi unit masukan
X i S i dimana i= 1,2,3,..n
(ii) Hitung tanggapan unit keluaran
Yin b X i .Wi
i

1 , bila Yin > 0

Yin = 0, bila - Yin
-1, bila Yin
(iii) Perbaharui bobot dan bias jika terjadi error:
Bila y t
Wi(baru) wi (lama) .t.xi
b(baru) b(lama) ..t
Bila y = t
Wi(baru) Wi(lama)
b(baru) b(lama)

S1 TEKNIK ELEKTRO, UNVERSITAS PAMULANG Page 16

MODUL AJAR SISTEM CERDAS

b. Tes kondisi berhenti, jika masih terjadi perubahan bobot maka

kondisi berhenti adalah false. Namun jika sudah tidak terjadi
perubahan bobot maka kondisi berhenti true.

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

Dimana fungsi aktifasi jaringan adalah Hard limit.

Bobot awal jaringan Wi = 0 dan nilai sel bias (b) awal = 0
Buatlah arsitektur dan pelatihan dengan menggunakan pogram Matlab !

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;

S1 TEKNIK ELEKTRO, UNVERSITAS PAMULANG Page 17

MODUL AJAR SISTEM CERDAS

[net,Y,E]=adapt(net,P,T);

%Menggambarkan grafik hubungan antara vektor input dan vektor target

plotpv(P,T);
plotpc(net.IW{:},net.b{1});
title('Hubungan vektor masukan dan vektor target')

%simulasi
a=sim(net,P)

%Mencari MSE
Error = mse(E)

Bentuk grafiknya adalah sebagai berikut:

S1 TEKNIK ELEKTRO, UNVERSITAS PAMULANG Page 18

MODUL AJAR SISTEM CERDAS

C. DAFTAR PUSTAKA

[1] Sri Kusumadewi. Membangun Jaringan Syaraf Tiruan Menggunakan

Matlab & Excel Link. Graha ilmu . 2004

[2] Thomas Sri Widodo. Sistem Neuro Fuzzy Untuk Pengolahan

Informasi, Pemodelan dan Kendali. Graha Ilmu. 2005

S1 TEKNIK ELEKTRO, UNVERSITAS PAMULANG Page 19