Supervised Learning

688 views
566 views

Published on

Supervised Learning

Published in: Engineering
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
688
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
25
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Supervised Learning

  1. 1. SUPERVISED LEARNING-JST PERCEPTRON Sherly Christina, S.Kom., M.Kom
  2. 2. PENGERTIAN  Belajar dengan Pengawasan  Metode pelatihan yang memasukan target keluaran dalam data untuk proses pelatihannya.
  3. 3. PENGERTIAN JST dilatih untuk dapat memetakan sekumpulan sampel input-output dengan akurasi yang tinggi.
  4. 4. PENGERTIAN SUPERVISED LEARNING  Parameter-parameter jaringan berubah-ubah berdasarkan vektor latih dan sinyal kesalahan.  Sinyal kesalahan (Error) =>perbedaan antara keluaran (output) JST dan respon yang diinginkan.
  5. 5. PERCEPTRON Ditemukan oleh Rosenblatt (1962) dan Minsky-Papert (1969).
  6. 6. PERCEPTRON  Perseptron menghitung jumlah nilai perkalian bobot dan masukan kemudian dibandingkan dengan nilai threshold.  Bila nilai keluaran lebih besar dari nilai threshold maka keluarannya adalah satu, sebaliknya adalah nol.
  7. 7. ALGORITMA PELATIHAN PERCEPTRON 1. Inisialisasi semua bobot dan bias (biasanya=0).  Set learning rate α (0< α<1)  Set nilai threshold (θ) untuk fungsi aktivasi
  8. 8. ALGORITMA PELATIHAN PERCEPTRON 2. Untuk setiap pasangan pembelajaran s-t, kerjakan: a. Set Aktivasi unit input Xi=Si; b. Hitung respons untuk unit output: c. Masukan ke dalam fungsi aktivasi:
  9. 9. ALGORITMA PELATIHAN PERCEPTRON d. Bandingkan nilai output y dengan target t. Jika y ≠ t, lakukan perubahan bobot dan bias dengan cara berikut.
  10. 10. ALGORITMA PELATIHAN PERCEPTRON d.  Jika y=t, tidak ada perubahan bobot dan bias
  11. 11. ALGORITMA PELATIHAN PERCEPTRON 3. Lakukan iterasi terus- menerus hingga semua pola memiliki output jaringan sama dengan target.
  12. 12. ALGORITMA PELATIHAN PERCEPTRON  Digunakan untuk input biner atau bipolar  Dengan nilai threshold tertentu  Memiliki nilai bias yang dapat diatur.  Satu pelatihan yang melibatkan seluruh data input disebut satu Epoch.
  13. 13. CONTOH  Buatlah jaringan syaraf tiruan untuk melakukan pembelajaran terhadap fungsi logika “AND” dengan input biner dan target bipolar.  Diketahui nilai learning rate (α) = 0,8 dan nilai threshold(θ)=0,5X1 X2 Targe t 0 0 -1 0 1 -1 1 0 -1 1 1 1
  14. 14. ALGORITMA PELATIHAN: Bobot Awal : w1=w2=0 Bias awal : b=0 Learning rate (α) : 0,8 Threshold (θ) : 0,5
  15. 15. EPOCH KE-1;DATA KE-1  x1=0, x2=0, t=-1, θ=0,5  = 0+0.0+0.0=0  Bandingkan dengan fungsi aktivasi  Hasil y=0  Tidak sama dgn target t=-1, maka harus dilakukan perubahan bobot dan bias
  16. 16. EPOCH KE-1;DATA KE-1  w1(baru) =w1(lama)+α*t*xi =0+(0,8*(-1)*0=0  w2(baru)=w2(lama)+α*t*xi =0+(0,8*(-1)*0=0  b(baru) =b(lama)+α*t =0+0,8*(-1)=-0,8
  17. 17. EPOCH KE-1; DATA KE-2  x1=0, x2=1, target t=-1  =-0,8+0.0+1.0=-0,8  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidak dilakukan perubahan bobot dan bias
  18. 18. EPOCH KE-1; DATA KE-3  x1=1, x2=0, target t=-1  =-0,8+1.0+0.0=-0,8  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidak dilakukan perubahan bobot dan bias
  19. 19. EPOCH KE-1; DATA KE-4  x1=1, x2=1, target t=1  =-0,8+1.0+1.0=-0,8  Bandingkan dengan fungsi aktivasi  Hasil y=-1  tidaksama dgn target t=1, maka harus dilakukan perubahan bobot dan bias
  20. 20. EPOCH KE-1; DATA KE-4  w1(baru) =w1(lama)+α*t*xi =0+(0,8*1*1)=0,8  w2(baru)=w2(lama)+α*t*xi =0+(0,8*1*1)=0,8  b(baru) =b(lama)+α*t =-0,8+0,8*1=0
  21. 21. EPOCH KE-9 DATA 1  Dari epoch ke-8 diperoleh nilai : w1=2,4 ; w2=1,6 ; b=- 3,20  x1=0, x2=0, target t=-1  = -3,2+0*2,4+0*1,6=-3,2  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidakdilakukan perubahan bobot dan bias
  22. 22. EPOCH KE-9; DATA KE-2  x1=0, x2=1, target t=-1  = -3,2+0*2,4+1*1,6=-1,6  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidak dilakukan perubahan bobot dan bias
  23. 23. EPOCH KE-9; DATA KE-3  x1=1, x2=0, target t=-1  = -3,2+1*2,4+0*1,6=-0,8  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidak dilakukan perubahan bobot dan bias
  24. 24. EPOCH KE-9; DATA KE-4  x1=1, x2=1, target t=1  = -3,2+1*2,4+1*1,6=0,8  Bandingkan dengan fungsi aktivasi  Hasil y=1  sama dgn target t=1, maka tidak dilakukan perubahan bobot dan bias
  25. 25. HASIL  Pada epoch ke-9 tidak terjadi perubahan bobot dan bias, dan diperoleh nilai output jaringan untuk semua data bernilai sama dengan target.  Hasil akhirnya adalah:  Nilai bobot, w1 = 2,4; w2=1,6; dan bias=-3,2
  26. 26. TUGAS MANDIRI  Pelajari Teknik Pengenalan Pola dengan JST- Perceptron.
  27. 27. ADA PERTANYAAN? Terima Kasih

×