2. Metode pelatihan Perceptron lebih kuat dari metode
Hebb terutama dalam iterasi yang dapat membuat
output dari bobot menjadi konvergen.
Perbedaan tipe Perceptron pertama kali dikemukakan
oleh Rosenblatt (1962) dan Minsky (1969) .dan Papert
(1988).
Aktivasi yang digunakan dalam pereptron adalah
aktivasi bipolar, yaitu -1, 0, 1.
1 if y _ in > θ
f ( y _ in) = 0 if − θ ≤ y _ in ≤ θ
− 1 if y _ in < −θ
3. Arsitektur Perceptron sederhana adalah terdiri dari
beberapa input dan sebuah output.
Tujuan dari jaringan adalah untuk mengklasifikasikan
masing-masing pola input dan pola output baik yang
bernilai +1 atau yang bernilai -1.
1
X1
W0
.
. W1
.
Xi Wi y
.
. Wn
.
Xn
4. Algoritma berlaku untuk input bipolar atau input
biner dengan nilai target bipolar dan nilai
threshold yang tetap serta nilai bias yang dapat
diatur.
Langkah 1 :
Inisialisasi bobot dan bias (untuk sederhananya, set bobos
dan bias dengan angka 0).
Set learning rate α (0 < α ≤ 1) (untuk sederhananya, set α
dengan angka 1)
5. Langkah 2:
Selama kondisi berhenti bernilai salah, lakukan langkah
berikut :
Untuk masing-masing pasangan s dan t, kerjakan :
a : set aktivasi dari unit input : xi = si
b : hitung respon untuk unit output :
n
1 if y _ in > θ
y _ in = b + ∑ xi wi
f ( y _ in) = 0 if − θ ≤ y _ in ≤ θ
i =1 − 1 if y _ in < −θ
6. c. perbaiki bobot dan bias, jika terjadi kesalahan pada pola
ini :
jika y ≠ t, maka
∆w=α*t*xi
wi (baru) = wi (lama) + ∆w dengan ∆w = α
* xi * t
b(baru) =b(lama) + ∆ b dengan ∆b = α * t
jika tidak, maka
wi (baru) = wi (lama)
b(baru) = b(lama)
jika masih ada bobot yang berubah maka kondisi
dilanjutkan, jika tidak maka proses berhenti.
7. Contoh Soal 2.1
Buat jaringan Perceptron untuk menyatakan fungsi logika AND dengan menggunakan masukan
biner dan keluaran bipolar. Pilih α = 1 dan θ = 0,2
Jawab :
Pola hubungan masukan-target :
x1 x2 t
0 0 -1
0 1 -1
1 0 -1
1 1 1
x1 w1
n a
∑ f
w2
x2
b
1
8. Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 1 0 0 0
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 2
0 0 1 -1
0 1 1 -1
1 0 1 -1
9. Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 3
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 4
0 0 1 -1
0 1 1 -1
1 0 1 -1
10. Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 5
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 6
0 0 1 -1
0 1 1 -1
1 0 1 -1
11. Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 7
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 8
0 0 1 -1
0 1 1 -1
1 0 1 -1
12. Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 9
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1
Masukan Target Output Perubahan Bobot baru
bobot w baru = w lama +
∆w = αx i t ∆b ∆w
= αt b baru = b lama + ∆b
x1 x2 1 t n a=f(n) ∆w1 ∆w2 ∆b w1 w2 b
Epoch ke - 10
0 0 1 -1
0 1 1 -1
1 0 1 -1
13.
14. Iterasi akan di hentikan pada epoch ke 10 karena fnet sudah sama
dengan target nya
15. Latihan Soal 2.2
Buat jaringan Perceptron untuk mengenali pola pada tabel di bawah ini. Gunaka α = 1 dan θ =
0,1.
x1 x2 x3 t
0 1 1 -1
1 0 1 -1
1 1 0 -1
1 1 1 1
Jawab :
Masukan Target Output Perubahan bobot Bobot baru
∆w = αx i t ∆b = w baru = w lama +
αt ∆w
b baru = b lama + ∆b
x1 x2 x3 1 t a ∆w1 ∆w2 ∆w3 ∆b w1 w2 w3 b
Inisialisasi 0 0 0 0
0 1 1 1 -1
1 0 1 1 -1
1 1 0 1 -1
1 1 1 1 1