Pertemuan 3 JARINGAN PERCEPTRON

Presentasi berjudul: "Pertemuan 3 JARINGAN PERCEPTRON"— Transcript presentasi:

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

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

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

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

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 ARSITEKTUR PERCEPTRON

8 BOBOT JARINGAN Vektor baris ke i dari matriks W :

9 TEST PROBLEM TEST NETWORK

10 GRAFIK INPUT

11 Pilih bobot 1wTsecara random misalnya :
Masukkan input p1 ke jaringan dan output yang dihasilkan : a = hardlim ( 1wT . p1 ) Target output t1 = 1

12 Decision boundary : n = wp + b = 0 n = w1,1 .p1 + w1,2 . P2 = 0 p1 – 0.8 p2 = 0 5p1 – 4p2 = 0 Jika p2 = 1  p1 = 0.8 Jika p1 =1  p2 = 1.25

13 Jika t = 1 dan a = 0 maka 1wbaru = 1wlama + p
Hasil output a sesuai dengan target output = 1

14 Decision boundary : n = 0 wp + b = 0 w1,1 .p1 + w1,2 . p2 = 0 2p p2 = 0 p2 = 1  p1 = - 1.2/2 p1 = - 0.6

15 a = hardlim ( 1wT . p2 ) Input p2 diklasifikasi tidak benar karena t2 = 0 Jika t = 0 dan a = 1 , maka 1wbaru = 1wlama – p 1wbaru = 1wlama - p1 = Input p2 diklasifikasi dengan benar karena t2 = 0

16 Decision boundary : n = 0 wp + b = 0 w1,1 .p1 + w1,2 . p2 = 0 3p1 – 0.8 p2 = 0 Jika p2 = 2  p1 = 1.6/3 p1 = 8/15

17 a = hardlim ( 1wT . p3 ) Input p3 diklasifikasi tidak benar karena t3 = 0 Jika t = 0 dan a = 1 , maka 1wbaru = 1wlama – p 1wbaru = 1wlama - p3 =

18 Jika t = a , maka 1wbaru = 1wlama
Decision boundary : n = 0 wp + b = 0 w1,1 .p1 + w1,2 . p2 = 0 3p p2 = 0 Jika p2 = 1  p1 = -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 1wbaru = 1wlama