Dokumen tersebut membahas beberapa algoritma jaringan saraf tiruan seperti perceptron, Adaline, dan Madeline. Perceptron bekerja dengan mengubah bobot melalui iterasi sampai output sesuai target, sedangkan Adaline mengupdate bobot menggunakan aturan delta dan Madeline adalah versi multilayer dari Adaline.

1. Arief Fatchul Huda
UIN Sunan Gunung Djati Bandung

2. Agenda
Pengantar
Algoritma
Aplikasi
Pola fungsi logika
Pengenalan karakter sederhana
Konvergensi perceptron
Adaline
Arsitektur
Algoritma
Aplikasi
Delta rule
Madeline

3. Pengantar
Lebih baik dari Hebb
Menggunakan pengulangan (looping) dalam
memperbaiki bobot (w)
Beberapa jenis perceptron dijelaskan dalam tulisan
Rosenblatt (1962) dan Minsky dan Papert (1962, 1988)
Menggunakan fungsi aktifasi biner, dengan threshold
sebarang tapi tetap.

4. Pengantar[2]
Perubahan bobot dilakukan pada tiap unit input dari
beberapa unit dalam satu set input.
Jika output yang dihasilkan tidak sesuai dengan
output yang seharusnya maka bobot diubah, dan
dilakukan pembelajaran lagi.

5. Arsitektur

6. Algoritma

7. Step view
Input ke-1 Jika Out ≠ target Ubah bobot
Input ke-2 Jika Out ≠ target Ubah bobot
Input ke-3 Jika Out ≠ target Ubah bobot
Input ke-4 Jika Out ≠ target Ubah bobot
Jika masih ada Ubah bobot

8. Math view Jika tidak ada perubahan bobot
maka STOP,
selain itu (masih ada perubahan
bobot)

9. Perhitungan

10. Input ke-2

11. Input ke-3 dan ke-4

16. Contoh 2
Pola dengan 3 variabel input, dimana Hebb net tidak
bisa menyelesaikan

18. Pengenalan Karakter
Pengenalan karakter
dapat digolongkan :
Mengenal satu huruf
saja, misal
 A dan bukan A
 B dan bukan B, dst
Mengenal semua huruf
 Dapat mengenal A, B, C,
D, E, J, dan K sekaligus

19. Perhatikan

20. Langkah-langkah
Penyajian data,
Data disajikan dalam bentuk biner atau bipolar
Membuat arsitektur NN dengan algo perceptron
Input 49 variabel
Output 1 variabel

21. Mengenal 7 karakter

22. algoritma

23. Adeline
Adaptive Linear Neutron [Widrow & Hoff, 1960]
Menggunakan bipolar untuk data input dan output
Bobot diubah (diperbaiki) berdasarkan perbedaan
output dengan target disebut delta rule atau LMS
(least mean square) atau Widrow-Hoff rule
Fungsi aktifasi adalah fungsi identitas
Tujuan pembelajaran adalah meminimalisasi lms
error antara output dengan target.

24. Arsitektur

25. Algoritma

26. Laju pembelajaran
Hecht-neilsen (1990), laju pembelajaran adalah < dari ½
nilai eigen terbesar dari R
Namun, seringkali laju pembelajaran menggunakan nilai
yang kecil (misal 0.1) tanpa menghitung matrik R dan nilai
eigen
Pemilihan laju terlalu kecil akan memperlambat proses
pembelajaran.
Untuk neuron tunggal alpha didapatkan
dengan n adalah jumlah var. input

27. Aplikasi
Setelah selesai pembelajaran, jika nilai target adalah
bivalent (bipolar atau biner), maka fungsi aktifasi
menggunakan step function.
Algoritma

28. Madeline
Many Adaptive Linear Neuron (Many Adaline)

29. Kesimpulan
Algoritma Perceptron mengubah bobot dengan
iterasi, perubahan akan terus dilakukan sampai
output jaringan sama dengan target
Perceptron dapat digunakan untuk multiple output,
yaitu untuk klasifikasi lebih dari 2 kelas sekaligus
Adeline mengupdate bobot dengan delta rule
Madeline adalah Many Adeline

30. Alhamdulillah