Bab 2 Perceptron
7
PERCEPTRON • Arsitektur jaringannya mirip dengan Hebb • Fungsi aktivasinya bukan biner (0,1) atau bipolar(-1,1) tapi (-1, 0, 1) • Ditemukan oleh Rosenblatt(1962) dan Minsky-Papert (1969) • Algoritma pelatihan Perceptron dengan vektor input s, target t , batas ambang (threshold) dan laju pemahaman (learning rate) – Inisialisasi semua bobot = 0 dan b = 0 – Set masukan p i = s i (i=1,2, …… R) – Hitung keluaran n= p i w i + b – Tentukan output fungsi aktivasi – Bila output target –> perbaiki bobot dan bias •w i (baru) = w i (lama) + w dengan w = p i t • b(baru) =b(lama) + b dengan b = t – Perbaikan dilakukan berulang-ulang sampai semua a=t • Tidak hanya 1 epoch seperti pada aturan Hebb n 1 n 0 n 1 ) n ( f a
Transcript of Bab 2 Perceptron
PERCEPTRON• Arsitektur jaringannya mirip dengan Hebb• Fungsi aktivasinya bukan biner (0,1) atau bipolar(-1,1) tapi (-1, 0, 1)• Ditemukan oleh Rosenblatt(1962) dan Minsky-Papert (1969)• Algoritma pelatihan Perceptron dengan vektor input s, target t ,
batas ambang (threshold) dan laju pemahaman (learning rate) – Inisialisasi semua bobot = 0 dan b = 0– Set masukan pi = si (i=1,2, …… R)– Hitung keluaran n= pi wi + b – Tentukan output fungsi aktivasi
– Bila output target –> perbaiki bobot dan bias• wi (baru) = wi (lama) + w dengan w = pi t• b(baru) =b(lama) + b dengan b = t
– Perbaikan dilakukan berulang-ulang sampai semua a=t• Tidak hanya 1 epoch seperti pada aturan Hebb
n1
n0
n1
)n(fa
Contoh Soal 2.1Buat jaringan Perceptron untuk menyatakan fungsi logika AND dengan menggunakan masukan biner dan keluaran bipolar. Pilih = 1 dan = 0,2
Jawab :
p1 p2 t
0 0 -1
0 1 -1
1 0 -1
1 1 1
f
w1
w2
p1
p2
n a
1
b
Pola hubungan masukan-target :
Masukan Target Output Perubahan bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 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 bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 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
1 1 1 1
Masukan Target Output Perubahan bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 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 bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 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
1 1 1 1
Masukan Target Output Perubahan bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 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 bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 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
1 1 1 1
Masukan Target Output Perubahan bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 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 bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 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
1 1 1 1
Latihan Soal 2.2Buat jaringan Perceptron untuk mengenali pola pada tabel di bawah ini. Gunaka = 1 dan = 0,1.
Jawab :
p1 p2 p3 t
0 1 1 -1
1 0 1 -1
1 1 0 -1
1 1 1 1
Masukan Target Output Perubahan bobotw = pi t b = t
Bobot baruwbaru = wlama + wbbaru = blama + b
p1 p2 p3 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
