Konsep dasar Algoritma Contoh Problem 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 x1 x2 x3 w1 w2 w3 1 b y_in f(y_in) y

Konsep Dasar Fungsi aktivasi 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)= wi (old) + α.t.xi 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 parameter2 bebasnya melalui proses pembelajaran Fungsi aktivasi dibuat agar terjadi pemisahan antara daerah positif dan negatif + - x1 x2 Daerah positif Daerah negatif

Konsep Dasar Arsitektur Arsitektur spt pada gbr. 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 x1 xi xn Y 1 b wi wn w1 ...

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. Langkah2 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 Bipolar input dan target X1 x2 t 1 1 1 1 -1 -1 -1 1 -1 Digunakan untuk mengklasifikasikan fungsi and Bipolar input dan target X1 x2 t 1 1 1 1 -1 -1 -1 1 -1 -1 -1 -1