Perceptron Konsep dasar Algoritma Contoh Problem Konsep Dasar

Perceptron Konsep dasar Algoritma Contoh Problem

Konsep Dasar • Salah satu bentuk JST yang sederhana • Terdiri dari satu layer unit input (dimana jumlah neuronnya sesuai dengan banyaknya jumlah komponen dari data yang dikenali) dan satu unit output x 1 x 2 w 1 w 2 y_in w 3 x 3 b 1 f(y_in) y

Konsep Dasar • Fungsi aktivasi yang biasa digunakan adalah fungsi step bipolar dengan threshold tetap (θ) • f(y_in)=1, jika y_in>θ 0, jika –θ ≤ y_in ≤ θ -1, jika y_in < -θ • Apabila kesalahan terjadi untuk suatu pola masukan pelatihan, bobot akan diubah dengan rumus: wi (new)= w (old) + α. t. x i i • Jika tidak terjadi kesalahan bobot tidak berubah. Pelatihan akan terus dilakukan sampai tidak ada kesalahan

Konsep Dasar • Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan linier • Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan: • Garis pemisah antara daerah negatif dan daerah nol memiliki pertidaksamaan: • Bobot bisa diatur

Konsep Dasar • Algoritma mengatur parameter 2 bebasnya melalui proses pembelajaran • Fungsi aktivasi dibuat agar terjadi pemisahan antara daerah positif dan negatif x 2 + • Daerah negatif - Daerah positif + x 1

Konsep Dasar • Arsitektur spt pada gbr. x 1. . . xi. . . xn w 1 1 b wi wn Y • Ada n unit masukan dan satu unit keluaran • Terdapat satu unit bias yg selalu memberikan sinyal +1 • Tujuan jaringan adalah mengklasifikasi setiap pola masukan apakah termasuk atau tidak termasuk kedlam suatu kelas. Jika termasuk unit keluaran memberi respon +1 dan jika tidak unit keluaran memberi respon -1

Algoritma • Algoritma Pelatihan • Algoritma Pengujian

Algoritma Pelatihan Step 0. Inisialisasi seluruh bobot dan bias ( agar sederhana set bobot dan bias menjadi 0) set laju pembelajaran α (0<α≤ 1) ( agar sederhana set α menjadi 1) Step 1. Selama kondisi berhenti adalah salah, lakukan step 2 -6 Step 2. Untuk setiap pasangan pelatihan s: t, lakukan step 3 -5 Step 3. Set aktivasi dari unit masukan xi = si Step 4. Hitung Respon dari unit keluaran y = 1, jika y_in > θ 0, jika -θ ≤ y_in ≤ θ 1, jika y_in < -θ Step 5. Sesuaikan bobot dan Bias jika kesalahan terjadi untuk pola ini Jika y ≠ t, maka wi(new) = wi(old) + α. t. xi b(new) = b(old) + α. t jika tidak, maka wi(new) = wi(old) b(new) = b(old) Step 6. Tes Kondisi berhenti: Jika masih ada bobot yang berubah pada step 2, kembali ke step 1; jika Tidak, kembali ke step 2

Algoritma Pengujian Setelah pelatihan, sebuah jaringan perceptron bisa digunakan untuk mengklasifikasikan pola masukan. Langkah 2 pengujian adalah sbb: Step 0. Inisialisasi bobot dan bias (digunakan nilai bobot yang diperoleh dari algoitma pelatihan) Step 1. Untuk setiap vector masukan x, lakukan step 2 -4 Step 2. Set aktivasi dari unit masukan xi = si Step 3. Hitung Total masukan ke unit keluaran Step 4. Gunakan Fungsi aktivasi y =f(y_in)= 1, jika y_in > θ 0, jika -θ ≤ y_in ≤ θ 1, jika y_in < -θ Dimana nilai f(y_in) menjadi nilai kjeluaran dari unit keluaran (Y)

Contoh Problem Digunakan untuk mengklasifikasikan fungsi and Bipolar input dan target X 1 x 2 t 1 1 -1 -1 -1