Dokumen tersebut membahas tentang membangun jaringan syaraf perceptron untuk operasi AND menggunakan MATLAB. Langkah-langkahnya meliputi inisialisasi jaringan dengan fungsi newp, pelatihan jaringan dengan adaptasi menggunakan fungsi adapt, dan simulasi input baru dengan fungsi sim. Hasil pelatihan disimpan ke file HasilPerceptronAnd.m
Dokumen tersebut membahas tentang pemrograman jaringan syaraf perceptron pada MATLAB. Isi utamanya adalah cara membangun jaringan perceptron dengan fungsi newp, melakukan pelatihan dengan fungsi adapt, dan simulasi dengan fungsi sim. Dokumen tersebut juga menjelaskan proses pembelajaran perceptron untuk operasi logika AND dan NOT AND.
Pengantar Pointer untuk Pembelajaran Struktur Data (Java)Herbert Abdillah
Dokumen tersebut membahas tentang pengantar struktur data dan pointer di Java. Terdapat penjelasan mengenai konsep RAM, proses penyimpanan dan pengolahan data di RAM, serta contoh kasus pointer dan array di Java.
Dokumen ini membahas cara membuat aplikasi catatan online menggunakan CherryPy, Zurb Foundation, MySQL, dan TinyMCE. Aplikasi ini akan membuat database, file konfigurasi, autentikasi pengguna, penambahan catatan baru, tampilan detail catatan, dan pencarian catatan. Langkah-langkahnya meliputi pembuatan folder proyek, database dan tabel, konfigurasi, kontroler untuk autentikasi dan catatan, serta template untuk tampilan.
Dokumen tersebut membahas tentang pemrograman jaringan syaraf perceptron pada MATLAB. Isi utamanya adalah cara membangun jaringan perceptron dengan fungsi newp, melakukan pelatihan dengan fungsi adapt, dan simulasi dengan fungsi sim. Dokumen tersebut juga menjelaskan proses pembelajaran perceptron untuk operasi logika AND dan NOT AND.
Pengantar Pointer untuk Pembelajaran Struktur Data (Java)Herbert Abdillah
Dokumen tersebut membahas tentang pengantar struktur data dan pointer di Java. Terdapat penjelasan mengenai konsep RAM, proses penyimpanan dan pengolahan data di RAM, serta contoh kasus pointer dan array di Java.
Dokumen ini membahas cara membuat aplikasi catatan online menggunakan CherryPy, Zurb Foundation, MySQL, dan TinyMCE. Aplikasi ini akan membuat database, file konfigurasi, autentikasi pengguna, penambahan catatan baru, tampilan detail catatan, dan pencarian catatan. Langkah-langkahnya meliputi pembuatan folder proyek, database dan tabel, konfigurasi, kontroler untuk autentikasi dan catatan, serta template untuk tampilan.
Dokumen tersebut membahas tentang pointer dalam bahasa C. Pointer adalah variabel yang menyimpan alamat memori dari variabel lain daripada menyimpan nilainya sendiri. Dokumen ini menjelaskan cara deklarasi, penugasan, dan pengaksesan variabel melalui pointer, serta hubungannya dengan array. Contoh program juga disertakan untuk memperjelas penjelasan.
Dokumen tersebut membahas tentang pemrograman berorientasi objek (OOP) dalam bahasa pemrograman Kotlin, meliputi konsep-konsep seperti class, properties, function, inheritance, abstract class, interface, dan generics."
Modul ini membahas tentang penggunaan perulangan dengan for dan string di Java. Pada bagian perulangan dengan for dijelaskan cara menghitung rata-rata dengan menggunakan for. Sedangkan pada bagian string dijelaskan beberapa metode yang dapat digunakan pada string seperti toLowerCase(), toUpperCase(), trim(), dan length(). Modul juga menjelaskan penggunaan StringBuffer untuk menyisipkan teks di tengah string.
Muhammad Abrar Istiadi - How to hack #idsecconf2016 Online CTFidsecconf
Dokumen tersebut memberikan panduan untuk menyelesaikan tantangan CTF bertema keamanan siber yang diselenggarakan pada IDSECCONF 2016. Tantangan tersebut terdiri dari 9 tantangan yang berkaitan dengan eksploitasi biner, kriptografi, pemrograman, reverse engineering, dan aplikasi web. Dokumen tersebut menjelaskan analisis dan solusi yang dilakukan untuk menyelesaikan tantangan-tantangan tersebut dengan menggunakan berbagai teknik dan alat
Perceptron merupakan model jaringan saraf tiruan pertama yang mampu melakukan klasifikasi pola secara linear. Algoritma pelatihan perceptron melibatkan modifikasi bobot berdasarkan perbedaan antara keluaran jaringan dan target, dilakukan berulang hingga konvergen. Metode ini lebih kuat dari model Hebb karena melibatkan learning rate dan dilakukan berulang untuk semua pola hingga pemahaman tercapai.
Lapopran praktikum struktur data pertemuan 1 Tipe DataAdy Achirul
Program tersebut membahas tentang tipe data dan penggunaannya dalam bahasa C++, meliputi penggunaan array, pointer, input-output, dan perulangan for. Program kedua meruputan contoh aplikasi penghitungan nilai mahasiswa berdasarkan nilai UTS, UAS, dan tugas dengan bobot masing-masing.
Ringkasan dokumen tersebut adalah:
(1) Dokumen tersebut membahas tentang pelatihan pemrograman Python yang diselenggarakan oleh Divisi Riset POSS UPI; (2) Materi pelatihan meliputi pengenalan Python, instalasi, sintaks dasar, struktur kontrol, struktur data, dan lainnya; (3) Pelatihan diselenggarakan pada 31 Agustus - 1 September 2013 di Laboratorium Ilmu Komputer FPMIPA UPI.
Dokumen tersebut membahas tentang konsep concurrency pada bahasa pemrograman Kotlin. Dibahas mengenai coroutine, job, channel, dan dispatcher yang merupakan fitur utama untuk mengimplementasikan concurrency pada Kotlin. Diberikan juga contoh kode untuk mendemonstrasikan penggunaan fitur-fitur tersebut.
pertemuan ke-4 (Variabel dan Konstanta).pptnafilarifki1
Dokumen tersebut membahas dasar-dasar pemrograman Java mulai dari pengenalan, tipe data, variabel, konstanta, ekspresi, operator, pernyataan, dan block pada Java. Termasuk di dalamnya penjelasan tentang pengenal, aturan penamaan, contoh tipe data primitif dan referensi, cara deklarasi variabel dan konstanta, jenis ekspresi dan operator aritmatika, perbandingan, bit, dan penugasan.
Dokumen tersebut membahas tentang array satu dimensi dalam bahasa pemrograman Pascal dan C. Secara umum dijelaskan tentang deklarasi, membaca, mencetak, dan contoh penggunaan array satu dimensi untuk menghitung rata-rata, deviasi standar, nilai maksimum, minimum, dan modus dari sekumpulan data.
Dokumen tersebut membahas tentang pointer dalam bahasa C. Pointer adalah variabel yang menyimpan alamat memori dari variabel lain daripada menyimpan nilainya sendiri. Dokumen ini menjelaskan cara deklarasi, penugasan, dan pengaksesan variabel melalui pointer, serta hubungannya dengan array. Contoh program juga disertakan untuk memperjelas penjelasan.
Dokumen tersebut membahas tentang pemrograman berorientasi objek (OOP) dalam bahasa pemrograman Kotlin, meliputi konsep-konsep seperti class, properties, function, inheritance, abstract class, interface, dan generics."
Modul ini membahas tentang penggunaan perulangan dengan for dan string di Java. Pada bagian perulangan dengan for dijelaskan cara menghitung rata-rata dengan menggunakan for. Sedangkan pada bagian string dijelaskan beberapa metode yang dapat digunakan pada string seperti toLowerCase(), toUpperCase(), trim(), dan length(). Modul juga menjelaskan penggunaan StringBuffer untuk menyisipkan teks di tengah string.
Muhammad Abrar Istiadi - How to hack #idsecconf2016 Online CTFidsecconf
Dokumen tersebut memberikan panduan untuk menyelesaikan tantangan CTF bertema keamanan siber yang diselenggarakan pada IDSECCONF 2016. Tantangan tersebut terdiri dari 9 tantangan yang berkaitan dengan eksploitasi biner, kriptografi, pemrograman, reverse engineering, dan aplikasi web. Dokumen tersebut menjelaskan analisis dan solusi yang dilakukan untuk menyelesaikan tantangan-tantangan tersebut dengan menggunakan berbagai teknik dan alat
Perceptron merupakan model jaringan saraf tiruan pertama yang mampu melakukan klasifikasi pola secara linear. Algoritma pelatihan perceptron melibatkan modifikasi bobot berdasarkan perbedaan antara keluaran jaringan dan target, dilakukan berulang hingga konvergen. Metode ini lebih kuat dari model Hebb karena melibatkan learning rate dan dilakukan berulang untuk semua pola hingga pemahaman tercapai.
Lapopran praktikum struktur data pertemuan 1 Tipe DataAdy Achirul
Program tersebut membahas tentang tipe data dan penggunaannya dalam bahasa C++, meliputi penggunaan array, pointer, input-output, dan perulangan for. Program kedua meruputan contoh aplikasi penghitungan nilai mahasiswa berdasarkan nilai UTS, UAS, dan tugas dengan bobot masing-masing.
Ringkasan dokumen tersebut adalah:
(1) Dokumen tersebut membahas tentang pelatihan pemrograman Python yang diselenggarakan oleh Divisi Riset POSS UPI; (2) Materi pelatihan meliputi pengenalan Python, instalasi, sintaks dasar, struktur kontrol, struktur data, dan lainnya; (3) Pelatihan diselenggarakan pada 31 Agustus - 1 September 2013 di Laboratorium Ilmu Komputer FPMIPA UPI.
Dokumen tersebut membahas tentang konsep concurrency pada bahasa pemrograman Kotlin. Dibahas mengenai coroutine, job, channel, dan dispatcher yang merupakan fitur utama untuk mengimplementasikan concurrency pada Kotlin. Diberikan juga contoh kode untuk mendemonstrasikan penggunaan fitur-fitur tersebut.
pertemuan ke-4 (Variabel dan Konstanta).pptnafilarifki1
Dokumen tersebut membahas dasar-dasar pemrograman Java mulai dari pengenalan, tipe data, variabel, konstanta, ekspresi, operator, pernyataan, dan block pada Java. Termasuk di dalamnya penjelasan tentang pengenal, aturan penamaan, contoh tipe data primitif dan referensi, cara deklarasi variabel dan konstanta, jenis ekspresi dan operator aritmatika, perbandingan, bit, dan penugasan.
Dokumen tersebut membahas tentang array satu dimensi dalam bahasa pemrograman Pascal dan C. Secara umum dijelaskan tentang deklarasi, membaca, mencetak, dan contoh penggunaan array satu dimensi untuk menghitung rata-rata, deviasi standar, nilai maksimum, minimum, dan modus dari sekumpulan data.
1. Bab 5 membahas subprogram dalam algoritma yang berfungsi untuk membagi pekerjaan besar menjadi bagian yang lebih kecil. 2. Ada dua jenis subprogram yaitu prosedur dan fungsi. Prosedur menghasilkan output lebih dari satu atau melakukan tindakan tertentu, sedangkan fungsi menghasilkan satu nilai. 3. Subprogram dapat menerima parameter berupa nilai atau variabel dan menggunakan parameter lokal.
Matlab merupakan perangkat lunak interaktif untuk melakukan perhitungan numerik dan visualisasi data. Matlab memungkinkan pengguna untuk melakukan operasi matematika kompleks, simulasi, dan pengembangan GUI.
Dokumen tersebut membahas tentang format input dan output dalam MATLAB. Input variabel dapat dilakukan dengan menetapkan nilai dan nama variabel, sedangkan untuk output terdapat beberapa pilihan format seperti format pendek, ilmiah, desimal, dan lainnya yang dapat digunakan sesuai kebutuhan.
Dokumen tersebut membahas tentang fungsi rekursif dan beberapa contoh penerapannya seperti faktorial, deret Fibonacci, FPB, dan Menara Hanoi. Fungsi rekursif adalah fungsi yang mendefinisikan dirinya sendiri dengan memanggil dirinya sendiri secara berulang sampai tercapai kondisi berhenti. Fungsi rekursif lebih singkat tetapi memakan memori lebih besar dibandingkan iteratif.
Modul ini membahas tentang pembangkitan sinyal menggunakan Matlab. Terdapat penjelasan tentang pembangkitan sinyal waktu kontinu dan diskrit seperti sinus, langkah, eksponensial, dan acak. Modul ini juga memberikan contoh kode untuk membangkitkan nada-nada musik dan menggabungkannya menjadi suara.
Makalah membahas tentang Kohohenen pada DAta mining
Clustering merupakan suatu proses untuk mengelompokkan kumpulan objek-objek fisik atau objek-objek abstrak ke dalam kelas-kelas objek yang similar (mirip). Cluster adalah kumpulan dari objek atau data yang mempunyai kemiripan satu dengan yang lain dalam cluster yang sama dan tidak mirip dengan objek dalam cluster yang berbeda. Secara prinsip cluster merupakan kumpulan dari objek data yang mempunyai kemiripan berdasarkan karakteristik tertentu (karakteristik disini bisa kombinasi dari atribut tertentu tergantung user) kemudian melakukan pengelompokan jika dianggap mirip. Suatu cluster dari objek data dapat diperlakukan secara kolektif sebagai satu group dalam berbagai aplikasi.
Terdapat beberapa algoritma yang digunakan didalam mengumpulkan atau mengelompokan suatu data sehingga didalam setiap object dalam satu kelompok data mirip akan tetapi tidak mirip dengan kelompok yang lainnya. Algoritma clustering yang meliputi K-Means, K-Medoids, DBSCAN dan lainnya yang digunakan didalam menyelesaikan permaslahan pengelompokan data
Kohonen adalah merupakan algoritma jaringan pcerdas dengan kategori pembelajaran secara kompetitif dan bersifat unsupervised. Sistem secara otomatis dapatmelakukan pengelompokan atau klasifikasi tanpamenggunakan pembelajaran dengan pasangan dataterlebih dahulu.Secara umum, pembaruan nilai bobot adalahberdasar nilai jarak terkecil dari bobot terhadap nilai datamasukan. Pembaruan dilakukan hanya pada bobot yang berhubungan dengan node yang terdekat
Kohonen adalah merupakan algoritma jaringan pcerdas dengan kategori pembelajaran secara kompetitif dan bersifat unsupervised. Sistem secara otomatis dapatmelakukan pengelompokan atau klasifikasi tanpamenggunakan pembelajaran dengan pasangan dataterlebih dahulu.Secara umum, pembaruan nilai bobot adalahberdasar nilai jarak terkecil dari bobot terhadap nilai datamasukan. Pembaruan dilakukan hanya pada bobot yang berhubungan dengan node yang terdekat
Kohonen adalah merupakan algoritma jaringan pcerdas dengan kategori pembelajaran secara kompetitif dan bersifat unsupervised. Sistem secara otomatis dapatmelakukan pengelompokan atau klasifikasi tanpamenggunakan pembelajaran dengan pasangan dataterlebih dahulu.Secara umum, pembaruan nilai bobot adalahberdasar nilai jarak terkecil dari bobot terhadap nilai datamasukan. Pembaruan dilakukan hanya pada bobot yang berhubungan dengan node yang terdekat
Kohonen adalah merupakan algoritma jaringan pcerdas dengan kategori pembelajaran secara kompetitif dan bersifat unsupervised. Sistem secara otomatis dapatmelakukan pengelompokan atau klasifikasi tanpamenggunakan pembelajaran dengan pasangan dataterlebih dahulu.Secara umum, pembaruan nilai bobot adalahberdasar nilai jarak terkecil dari bobot terhadap nilai datamasukan. Pembaruan dilakukan hanya pada bobot yang berhubungan dengan node yang terdekat
Kohonen adalah merupakan algoritma jaringan pcerdas dengan kategori pembelajaran secara kompetitif
Dokumen tersebut memberikan contoh algoritma dan program Java menggunakan struktur pengulangan while untuk menghitung deret bilangan, menampilkan teks berulang kali, dan menghitung rata-rata dari input pengguna.
Dokumen tersebut membahas tentang fungsi (function) dalam algoritma dan pemrograman, termasuk bentuk umum fungsi, contoh fungsi faktorial, latihan soal menghitung fungsi, rekursif, contoh fungsi rekursif faktorial dan cara kerjanya, serta latihan soal menentukan suku Fibonacci dan operasi pangkat menggunakan rekursif. Terdapat pula tugas membuat program yang menampilkan daftar nilai mahasiswa beserta jumlah per indeks.
Dokumen tersebut membahas tentang teknik pemrograman lanjut yang mencakup rekursif, tipe data abstrak seperti stacks dan queues, serta representasi sekuensial dan terkait dari struktur data tersebut. Rekursif digunakan untuk memecahkan masalah yang terjadi berulang dengan memanggil fungsi itu sendiri, sedangkan stacks dan queues merupakan contoh tipe data abstrak yang diimplementasikan menggunakan array dan linked list.
Buku speech processing_subp_envelopespectral-sinyal-wicaraTri Budi Santoso
Dokumen tersebut membahas tentang praktikum analisis envelope spectrum sinyal suara menggunakan metode cepstrum dan metode Linear Predictive Coding (LPC). Praktikum ini melibatkan proses pengolahan sinyal suara seperti pengambilan sinyal dari file, resampling, penentuan frame, windowing, transformasi ke domain frekuensi menggunakan FFT, dan analisis envelope spectrum dengan kedua metode tersebut.
1. Dokumen membahas beberapa metode numerik untuk menemukan akar persamaan, seperti metode biseksi, regula falsi, iterasi, dan Newton Raphson.
2. Metode regula falsi lebih cepat dibandingkan metode biseksi dalam mencapai toleransi yang ditentukan.
3. Semua metode mampu menemukan akar yang sama, namun metode Newton Raphson paling cepat karena memerlukan sedikit iterasi.
ANALISIS PENGARUH INDUSTRI BATU BARA TERHADAP PENCEMARAN UDARA.pdfnarayafiryal8
Industri batu bara telah menjadi salah satu penyumbang utama pencemaran udara global. Proses ekstraksi batu bara, baik melalui penambangan terbuka maupun penambangan bawah tanah, menghasilkan debu dan gas beracun yang dilepaskan ke atmosfer. Gas-gas tersebut termasuk sulfur dioksida (SO2), nitrogen oksida (NOx), dan partikel-partikel halus (PM2.5) yang berbahaya bagi kesehatan manusia dan lingkungan. Selain itu, pembakaran batu bara di pembangkit listrik dan industri menyebabkan emisi karbon dioksida (CO2), yang merupakan penyebab utama perubahan iklim global dan pemanasan global.
Pencemaran udara yang disebabkan oleh industri batu bara juga memiliki dampak lokal yang signifikan. Di sekitar area penambangan, debu batu bara yang dihasilkan dapat mengganggu kesehatan masyarakat dan ekosistem lokal. Paparan terus-menerus terhadap debu batu bara dapat menyebabkan masalah pernapasan seperti asma dan bronkitis, serta berkontribusi pada penyakit paru-paru yang lebih serius. Selain itu, hujan asam yang disebabkan oleh emisi sulfur dioksida dapat merusak tanaman, air tanah, dan ekosistem sungai, mengancam keberlanjutan lingkungan di sekitar lokasi industri batu bara.
PROGRAM PERCEPATAN PENINGKATAN TATA GUNA AIR IRIGASI 2024.pdf
Membangun perceptron operator and
1. MEMBANGUN PERCEPTRON OPERATOR AND
Pada MATLAB, fungsi yang dipakai untuk membangun jaringan perceptron adalah newp. Perintah
newp akan membuat sebuah perceptron dengan spesifikasi tertentu (jumlah unit input, jumlah
neuron,fungsi aktivasi, dll)
Fungsi : net = newp(PR,S)
net = newp(PR,S,TF,LF)
PR: matriks berukuran Rx2 yang berisi nilai minimum dan maksimum, dengan Radalah
jumlah variabel input (ada R buah masukan)
S : jumlah neuron (target)
TF: fungsi aktivasi biner(defaultnya adalah fungsi treshold, dalam MATLAB disebut
‘hardlim’)
LF: Fungsi pembelajaran (default : learnp, dipakai untuk mengubah bobot sehingga
diperoleh bobot yang mendekati target)
Arsitektur jaringan terlihat seperti gambar berikut :
2. OPERATOR AND
Jaringan syaraf operasi AND dengan input dan output biner sebagai berikut :
Input target
0 0 0
0 1 0
1 0 0
1 1 1
Membangun perceptron (newp), dengan 2 input masing-masing mempunyai elemen dengan nilai
minimum 0 dan maksimum 1 ([0 1;0 1]), dan memiliki 1 neuron (1), fungsi aktivasi hardlim
dan fungsi pembelajaran learnp.
Instruksi pada jendela perintah MATLAB :
>> net=newp([0 1;0 1],1);
1. Input jaringan syaraf
% mengetahui ukuran input jaringan syaraf ini
>> JumlahInput=net.inputs{1}.size
JumlahInput =
2
Berarti jaringan syaraf ini memiliki 2 variabel input
% mengetahui range elemen input jaringan syaraf ini
>> RangeInput=net.inputs{1}.range
RangeInput =
0 1
0 1
Berarti input pertama jaringan syaraf ini memiliki nilai minimum 0 dan nilai maksimum 1, demikian
pula, input kedua memiliki nilai minimum 0 dan maksimum 1.
2. Ukuran output jaringan syaraf
% mengetahui ukuran output jaringan syaraf ini
>> JumlahOutput=net.outputs{1}.size
JumlahOutput =
1
Berarti jaringan syaraf ini memiliki 1 variabel output.
3. Lapisan
% mengetahui ukuran lapisan jaringan syaraf ini
>> JumlahLapisan=net.layers{1}.size
JumlahLapisan =
3. 1
Berarti jaringan syaraf ini memiliki 1 lapisan (single layer)
% mengetahui fungsi aktivasi yang digunakan oleh jaringan syaraf ini
>> FungsiAktifasi=net.layers{1}.transferFcn
FungsiAktifasi =
hardlim
Berarti jaringan syaraf ini menggunakan fungsi aktivasi hardlim
4. Ukuran Bias
% mengetahui ukuran bias jaringan syaraf ini
>> JumlahBias=net.biases{1}.size
JumlahBias =
1
Berarti jaringan syaraf ini menggunakan fungsi aktivasi hardlim
5. Bobot Jaringan Syaraf
% mengetahui jumlah bobot input pada jaringan syaraf ini
>> JumlahBobotInput=net.inputWeights{1}.size
JumlahBobotInput =
1 2
Berarti jaringan syaraf ini memiliki 2 bobot input
% mengetahui bobot-bobot input pada jaringan syaraf ini
>> BobotInput=net.IW{:}
BobotInput =
0 0
Berarti kedua bobot ini memiliki nilai awal = 0
%mengetahui jumlah lapisan pada jaringan syaraf ini
>> JumlahBobotLapisan=net.LW{:}
JumlahBobotLapisan =
[]
Berarti jaringan syaraf ini tidak memiliki bobot lapisan
% mengetahui bobot-bobot bias pada jaringan ini
>> BobotBias=net.b{1}
BobotBias =
0
5. Menggambar hubungan antara vektor input dengan vektor target pada perceptron menggunakan
perintah plotpv.
Syntax : plotpv(P,T)
Plotpv(P,T,V)
P : matriks berukuran m x n, yang merupakan vektor input dengan jumlah variabel input (m)
maksimum 3, dan n jumlah data.
T : matriks berukuran r x n, yang merupakan vektir target yang harus bernilai 0 atau 1
(biner) dengan jumlah variabel target (r) maksimum 3 , dan n jumlah data.
V : batas grafik, [x_min x_max y_min y_max]
% menggambar hubungan antara vektor input P dan target T
>> P=[0 0 1 1;0 1 0 1];
>> T=[0 0 0 1];
>> plotpv(P,T);
Akan dihasilkan gambar seperti berikut :
>> net=newp([0 1;0 1],1);
>> net.IW{1,1}=[-0.8 -1.3];
>> net.b{1}=0.6;
>> P=[0 0 1 1;0 1 0 1];
>> T=[0 0 0 1];
>> plotpv(P,T);
% melihat garis hasil komputasi
>> plotpc(net.IW{1,1},net.b{1});
6. % jaringan syaraf yang ada dikembalikan sesuai inisialisasi fungsinya
>> net=init(net);
>> net.IW{1,1}
ans =
0 0
>> net.b{1}
ans =
0
Melakukan pembelajaran agar jaringan syaraf bisa beradaptasi, untuk melakukan adaptasi pada
perseptron digunakan adapt.
Syntax : [net,Y,E] = adapt(net,P,T)
Net : jaringan syaraf yang telah beradaptasi
Y : output jaringan syaraf
E : error yang terjadi (target – output jaringan)
P : input jaringan (data-data yang diadaptasikan)
T : target jaringan
instruksi untuk melakukan adaptasi sebanyak 3 epoh pada jaringan syaraf untuk operasi AND
% input
>> P=[0 0 1 1;0 1 0 1];
% target
>> T=[0 0 0 1];
7. % membangun jaringan syaraf tiruan dengan perceptron
>> net=newp(minmax(P),1);
% mengembalikan nilai bobot sesuai dengan inisialisasi fungsi
>> net=init(net);
% set epoh sebanyak 3 kali
>> net.adaptParam.passes=3;
% melakukan adaptasi
>> [net,Y,E]=adapt(net,P,T);
% menggambar grafik hasil
>> plotpv(P,T);
>> plotpc(net.IW{1,1},net.b{1});
% mencari mean square
>> EmEsE=mse(E);
% tampilkan hasil
>> BoboInputAkhir=net.IW{1,1}
BoboInputAkhir =
1 1
>> BoboBiasAkhir=net.b{1}
BoboBiasAkhir =
-1
>> MSE=EmEsE
MSE =
0.2500
8. >> %karena masih o.25 maka dilakukan pelatihan lagi
>> P = [0 0 1 1;0 1 0 1];
>> T = [0 0 0 1];
>> net = newp(minmax(P),1);
>> net = init(net);
>> % nilai epoh diubah menjadi 6
>> net.adaptParam.passes=6;
>> [net,Y,E]=adapt(net,P,T);
>> plotpv(P,T);
>> plotpc(net.IW{1,1},net.b{1});
>> EmEsE=mse(E);
>> BoboBiasAkhir=net.b{1}
BoboBiasAkhir =
-2
>> BoboInputAkhir=net.IW{1,1}
BoboInputAkhir =
1 1
>> MSE=EmEsE
MSE =
0
Nilai MSE = 0, artinya sudah diperoleh jaringan dengan bobot-bobot yang baik.
9. Melakukan simulasi input data baru terhadap jaringan syaraf yang telah selesai melakukan
pembelajaran, menggunakan sim.
Syntax : a = sim(net,p)
a : output hasil simulasi
net : jaringan syaraf yang telah dilatih.
p : input data yang akan disimulasikan pada jaringan syaraf
untuk menghitung keluaran jaringan , kita tidak perlu mengetahui targetnya. Akan tetapi jika ingin
dihitung kesalahan yang terjadi (selisih antara target dengan keluaran jaringan), maka harus diketahui
targetnya.
>> %melakukan pengujian
>> a=sim(net,[1;0])
a =
0
>> a = sim(net,[1;1])
a =
1
>> a = sim(net,[0;0])
a =
0
>> a=sim(net,[0;1])
a =
0
Mengambil informasi tentang output jaringan, error adaptasi, bobot input, bobot bias, dan mean
square error (MSE) pada setiap epoh, dan menyimpannya dalam file HasilPerceptronAnd.m
>> fb=fopen('HasilPerseptronAnd.m','w');
>> %input
>> P=[0 0 1 1;0 1 0 1];
>> [m n]=size(P);
>> fprintf(fb,'Data input (P):n')
ans =
16
>> for i=1;n,
fprintf(fb,'%d %dn',P(:,i));
end;
n =
4
10. >> %Target
>> T=[0 0 0 1];
>> fprintf(fb,'Target (T):n');
>> fprintf(fb,'%dn',T);
>> %bentuk jaringan syaraf dengan perceptron
>> net=newp(minmax(P),1);
>> plotpv(P,T);
>> linehandle=plotpc(net.IW{1},net.b{1});
>> %set eror awal E=1
>> E=1;
>> %kembalikan nilai bobot sesiau inisialisasi fungsinya
>> net=init(net);
>> fprintf(fb,'Bobot Input Awal(w):%4.2f %4.2fn',net.IW{1,1});
>> fprintf(fb,'Bobot Bias Awal(b):%4.2fn',net.b{1});
>> linehandle=plotpc(net.IW{1},net.b{1});
>> Epoh=0;
>> MaxEpoh=100;
>> %pembelajaran kerjakan sampai sum squere eror(SSE)=0 atau epoh>maxEpoh
>> while(sse(E)&(Epoh<MaxEpoh)),
fprintf(fb,'n');
Epoh=Epoh+1;
fprintf(fb,'Epoh ke-%1d n',Epoh);
[net,Y,E]=adapt(net,P,T);
fprintf(fb,'Output Jaringan (Y):');
for i=1:n,
fprintf(fb,'%1d',E(i));
end;
fprintf(fb,'n');
fprintf(fb,'Eror Adapatasi (E):');
for i=1:n,
fprintf(fb,'%1d',E(i));
end;
fprintf(fb,'n');
fprintf(fb,'Bobot Input Baru (W):%4.2f %4.2f n',net.IW{1,1});
fprintf(fb,'Bobot Bias Baru (b) : %4.2f n',net.b{1});
fprintf(fb,'Sum Square Error (SSE):%4.2f n',sse(E));
linehandle=plotpc(net.IW{1},net.b{1},linehandle);
drawnow;
Y
E
pause(2);
end;
Y =
1 1 1 1
E =
-1 -1 -1 0
11. Y =
0 0 0 0
E =
0 0 0 1
Y =
0 0 0 0
E =
0 0 0 1
Y =
0 1 1 1
E =
0 -1 -1 0
Y =
0 0 0 0
E =
0 0 0 1
Y =
0 0 0 1
E =
0 0 0 0
>> fprintf(fb,'n');
>> fprintf(fb,'Bobot Input Akhir (W):%4.2f %4.2f n',net.IW{1,1});
>> fprintf(fb,'Bobot Bias Akhir (b):%4.2f n',net.b{1});
>> %vektor yang akan disimulasikan
>> p=[0.5 0.1 0.7 0.2 0.5; 0.5 0.1 0.1 0.4 0.3];
>> %simulasi
>> a=sim(net,p)
12. a =
0 0 0 0 0
>> plotpv(p,a);
>> ThePoint=findobj(gca,'type','line');
>> set(ThePoint,'Color','green');
>> pause(2);
>> hold on;
>> plotpv(P,T);
>> plotpc(net.IW{1},net.b{1});
>> hold off;
>> fclose(fb);
HasilperceptronAnd.m
Data input (P):
0 0
0 1
1 0
1 1
Target (T):
00
01
Bobot Input Awal(w):0.00 0.00
Bobot Bias Awal(b):0.00
Epoh ke-1
Output Jaringan (Y):-1-1-10
Eror Adapatasi (E):-1-1-10
Bobot Input Baru (W):-1.00 -1.00
Bobot Bias Baru (b) : -3.00
Sum Square Error (SSE):3.00
13. Epoh ke-2
Output Jaringan (Y):0001
Eror Adapatasi (E):0001
Bobot Input Baru (W):0.00 0.00
Bobot Bias Baru (b) : -2.00
Sum Square Error (SSE):1.00
Epoh ke-3
Output Jaringan (Y):0001
Eror Adapatasi (E):0001
Bobot Input Baru (W):1.00 1.00
Bobot Bias Baru (b) : -1.00
Sum Square Error (SSE):1.00
Epoh ke-4
Output Jaringan (Y):0-1-10
Eror Adapatasi (E):0-1-10
Bobot Input Baru (W):0.00 0.00
Bobot Bias Baru (b) : -3.00
Sum Square Error (SSE):2.00
Epoh ke-5
Output Jaringan (Y):0001
Eror Adapatasi (E):0001
Bobot Input Baru (W):1.00 1.00
Bobot Bias Baru (b) : -2.00
Sum Square Error (SSE):1.00
Epoh ke-6
Output Jaringan (Y):0000
Eror Adapatasi (E):0000
Bobot Input Baru (W):1.00 1.00
Bobot Bias Baru (b) : -2.00
Sum Square Error (SSE):0.00
Bobot Input Akhir (W):1.00 1.00
Bobot Bias Akhir (b):-2.00