Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

1 Pertemuan 3 JARINGAN PERCEPTRON Matakuliah: H0434/Jaringan Syaraf Tiruan Tahun: 2005 Versi: 1.

Presentasi serupa


Presentasi berjudul: "1 Pertemuan 3 JARINGAN PERCEPTRON Matakuliah: H0434/Jaringan Syaraf Tiruan Tahun: 2005 Versi: 1."— Transcript presentasi:

1 1 Pertemuan 3 JARINGAN PERCEPTRON Matakuliah: H0434/Jaringan Syaraf Tiruan Tahun: 2005 Versi: 1

2 2 Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Menjelaskan konsep Perceptron dan contoh aplikasinya.

3 3 Outline Materi Supervised Learning Rule Unsupervised Learning Rule Arsitektur Perceptron

4 4 PERCEPTRON LEARNING RULE Problem : Bagaimanakah untuk menentukan bobot w dan bias b untuk jaringan perceptron dengan banyak input dimana tidak mungkin untuk menggambarkan boundary secara grafis ? Learning Rule : Prosedur untuk memodifikasi bobot dan bias dari jaringan

5 5 PROSEDUR Prosedur : Algoritma pembelajaran/pelatihan ( training algorithm ). Tujuan Learning : agar input dari network dapat menghasilkan output yang diinginkan

6 6 3 TIPE LEARNING RULE Supervised Learning : Memerlukan pasangan setiap input dengan outputnya. Unsupervised Learning : Bobot dan bias dimodifikasi sebagai respon dari input jaringan saja, target output tidak disediakan. Reinforcement Learning : Mirip dengan supervised learning, algoritma diberikan grade atau score bukannya output yang benar.

7 7 ARSITEKTUR PERCEPTRON

8 8 BOBOT JARINGAN Vektor baris ke i dari matriks W :

9 9 TEST PROBLEM TEST NETWORK

10 10 GRAFIK INPUT

11 11 Pilih bobot 1 w T secara random misalnya : 1 w T = [ ] Masukkan input p 1 ke jaringan dan output yang dihasilkan : a = hardlim ( 1 w T. p 1 ) Target output t 1 = 1

12 12 Decision boundary : n = wp + b = 0 n = w 1,1.p 1 + w 1,2. P 2 = 0 p 1 – 0.8 p 2 = 0 5p 1 – 4p 2 = 0 Jika p 2 = 1  p 1 = 0.8 Jika p 1 =1  p 2 = 1.25

13 13 Jika t = 1 dan a = 0 maka 1 w baru = 1 w lama + p 1 w baru = 1 w lama + p 1 = Hasil output a sesuai dengan target output = 1

14 14 Decision boundary : n = 0 wp + b = 0 w 1,1.p 1 + w 1,2. p 2 = 0 2p p 2 = 0 p 2 = 1  p 1 = - 1.2/2 p 1 = - 0.6

15 15 a = hardlim ( 1 w T. p 2 ) Input p 2 diklasifikasi tidak benar karena t 2 = 0 Jika t = 0 dan a = 1, maka 1 w baru = 1 w lama – p 1 w baru = 1 w lama - p 1 = Input p 2 diklasifikasi dengan benar karena t 2 = 0

16 16 Decision boundary : n = 0 wp + b = 0 w 1,1.p 1 + w 1,2. p 2 = 0 3p 1 – 0.8 p 2 = 0 Jika p 2 = 2  p 1 = 1.6/3 p 1 = 8/15

17 17 a = hardlim ( 1 w T. p 3 ) Input p 3 diklasifikasi tidak benar karena t 3 = 0 Jika t = 0 dan a = 1, maka 1 w baru = 1 w lama – p 1 w baru = 1 w lama - p 3 =

18 18 Decision boundary : n = 0 wp + b = 0 w 1,1.p 1 + w 1,2. p 2 = 0 3p p 2 = 0 Jika p 2 = 1  p 1 = -0.2/3 = -1/15 Jika semua input sudah diklasifikasi dengan benar, tidak perlu ada perubahan pada bobot sehingga digunakan aturan sbb : Jika t = a, maka 1 w baru = 1 w lama


Download ppt "1 Pertemuan 3 JARINGAN PERCEPTRON Matakuliah: H0434/Jaringan Syaraf Tiruan Tahun: 2005 Versi: 1."

Presentasi serupa


Iklan oleh Google