Dokumen tersebut membahas tentang supervised learning khususnya perceptron. Secara singkat, perceptron adalah metode pelatihan jaringan saraf tiruan dengan pengawasan yang melibatkan target keluaran dalam proses pelatihan. Algoritma pelatihan perceptron mengubah bobot secara iteratif berdasarkan nilai error hingga didapatkan bobot yang mampu memetakan input-output secara akurat.

1. SUPERVISED LEARNING-JST
PERCEPTRON
Sherly Christina, S.Kom., M.Kom

2. PENGERTIAN
 Belajar dengan Pengawasan
 Metode pelatihan yang memasukan target
keluaran dalam data untuk proses pelatihannya.

3. PENGERTIAN
JST dilatih untuk dapat
memetakan sekumpulan
sampel input-output dengan
akurasi yang tinggi.

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. PERCEPTRON
Ditemukan oleh Rosenblatt
(1962) dan Minsky-Papert
(1969).

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. 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. 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. ALGORITMA PELATIHAN PERCEPTRON
d. Bandingkan nilai output y dengan target t. Jika
y ≠ t, lakukan perubahan bobot dan bias dengan
cara berikut.

10. ALGORITMA PELATIHAN PERCEPTRON
d.
 Jika y=t, tidak ada perubahan bobot dan bias

11. ALGORITMA PELATIHAN PERCEPTRON
3. Lakukan iterasi terus-
menerus hingga semua pola
memiliki output jaringan
sama dengan target.

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. 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. ALGORITMA PELATIHAN:
Bobot Awal : w1=w2=0
Bias awal : b=0
Learning rate (α) : 0,8
Threshold (θ) : 0,5

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. TUGAS MANDIRI
 Pelajari Teknik Pengenalan Pola dengan JST-
Perceptron.

27. ADA PERTANYAAN?
Terima Kasih