SlideShare una empresa de Scribd logo
1 de 27
Descargar para leer sin conexión
SUPERVISED LEARNING-JST
PERCEPTRON
Sherly Christina, S.Kom., M.Kom
PENGERTIAN
 Belajar dengan Pengawasan
 Metode pelatihan yang memasukan target
keluaran dalam data untuk proses pelatihannya.
PENGERTIAN
JST dilatih untuk dapat
memetakan sekumpulan
sampel input-output dengan
akurasi yang tinggi.
PENGERTIAN SUPERVISED LEARNING
 Parameter-parameter jaringan berubah-ubah
berdasarkan vektor latih dan sinyal
kesalahan.
 Sinyal kesalahan (Error) =>perbedaan antara
keluaran (output) JST dan respon yang
diinginkan.
PERCEPTRON
Ditemukan oleh Rosenblatt
(1962) dan Minsky-Papert
(1969).
PERCEPTRON
 Perseptron menghitung jumlah nilai perkalian
bobot dan masukan kemudian dibandingkan
dengan nilai threshold.
 Bila nilai keluaran lebih besar dari nilai
threshold maka keluarannya adalah satu,
sebaliknya adalah nol.
ALGORITMA PELATIHAN PERCEPTRON
1. Inisialisasi semua bobot dan bias (biasanya=0).
 Set learning rate α (0< α<1)
 Set nilai threshold (θ) untuk fungsi aktivasi
ALGORITMA PELATIHAN PERCEPTRON
2. Untuk setiap pasangan pembelajaran s-t,
kerjakan:
a. Set Aktivasi unit input Xi=Si;
b. Hitung respons untuk unit output:
c. Masukan ke dalam fungsi aktivasi:
ALGORITMA PELATIHAN PERCEPTRON
d. Bandingkan nilai output y dengan target t. Jika
y ≠ t, lakukan perubahan bobot dan bias dengan
cara berikut.
ALGORITMA PELATIHAN PERCEPTRON
d.
 Jika y=t, tidak ada perubahan bobot dan bias
ALGORITMA PELATIHAN PERCEPTRON
3. Lakukan iterasi terus-
menerus hingga semua pola
memiliki output jaringan
sama dengan target.
ALGORITMA PELATIHAN PERCEPTRON
 Digunakan untuk input biner atau bipolar
 Dengan nilai threshold tertentu
 Memiliki nilai bias yang dapat diatur.
 Satu pelatihan yang melibatkan seluruh data
input disebut satu Epoch.
CONTOH
 Buatlah jaringan syaraf tiruan untuk
melakukan pembelajaran terhadap fungsi
logika “AND” dengan input biner dan
target bipolar.
 Diketahui nilai learning rate (α) = 0,8 dan
nilai threshold(θ)=0,5X1 X2 Targe
t
0 0 -1
0 1 -1
1 0 -1
1 1 1
ALGORITMA PELATIHAN:
Bobot Awal : w1=w2=0
Bias awal : b=0
Learning rate (α) : 0,8
Threshold (θ) : 0,5
EPOCH KE-1;DATA KE-1
 x1=0, x2=0, t=-1, θ=0,5
 = 0+0.0+0.0=0
 Bandingkan dengan fungsi aktivasi
 Hasil y=0
 Tidak sama dgn target t=-1, maka harus
dilakukan perubahan bobot dan bias
EPOCH KE-1;DATA KE-1
 w1(baru) =w1(lama)+α*t*xi
=0+(0,8*(-1)*0=0
 w2(baru)=w2(lama)+α*t*xi
=0+(0,8*(-1)*0=0
 b(baru) =b(lama)+α*t
=0+0,8*(-1)=-0,8
EPOCH KE-1; DATA KE-2
 x1=0, x2=1, target t=-1
 =-0,8+0.0+1.0=-0,8
 Bandingkan dengan fungsi aktivasi
 Hasil y=-1
 sama dgn target t=-1, maka tidak dilakukan
perubahan bobot dan bias
EPOCH KE-1; DATA KE-3
 x1=1, x2=0, target t=-1
 =-0,8+1.0+0.0=-0,8
 Bandingkan dengan fungsi aktivasi
 Hasil y=-1
 sama dgn target t=-1, maka tidak dilakukan
perubahan bobot dan bias
EPOCH KE-1; DATA KE-4
 x1=1, x2=1, target t=1
 =-0,8+1.0+1.0=-0,8
 Bandingkan dengan fungsi aktivasi
 Hasil y=-1
 tidaksama dgn target t=1, maka harus
dilakukan perubahan bobot dan bias
EPOCH KE-1; DATA KE-4
 w1(baru) =w1(lama)+α*t*xi
=0+(0,8*1*1)=0,8
 w2(baru)=w2(lama)+α*t*xi
=0+(0,8*1*1)=0,8
 b(baru) =b(lama)+α*t
=-0,8+0,8*1=0
EPOCH KE-9 DATA 1
 Dari epoch ke-8 diperoleh nilai : w1=2,4 ; w2=1,6 ; b=-
3,20
 x1=0, x2=0, target t=-1
 = -3,2+0*2,4+0*1,6=-3,2
 Bandingkan dengan fungsi aktivasi
 Hasil y=-1
 sama dgn target t=-1, maka tidakdilakukan
perubahan bobot dan bias
EPOCH KE-9; DATA KE-2
 x1=0, x2=1, target t=-1
 = -3,2+0*2,4+1*1,6=-1,6
 Bandingkan dengan fungsi aktivasi
 Hasil y=-1
 sama dgn target t=-1, maka tidak dilakukan
perubahan bobot dan bias
EPOCH KE-9; DATA KE-3
 x1=1, x2=0, target t=-1
 = -3,2+1*2,4+0*1,6=-0,8
 Bandingkan dengan fungsi aktivasi
 Hasil y=-1
 sama dgn target t=-1, maka tidak dilakukan
perubahan bobot dan bias
EPOCH KE-9; DATA KE-4
 x1=1, x2=1, target t=1
 = -3,2+1*2,4+1*1,6=0,8
 Bandingkan dengan fungsi aktivasi
 Hasil y=1
 sama dgn target t=1, maka tidak dilakukan
perubahan bobot dan bias
HASIL
 Pada epoch ke-9 tidak terjadi perubahan bobot
dan bias, dan diperoleh nilai output jaringan
untuk semua data bernilai sama dengan target.
 Hasil akhirnya adalah:
 Nilai bobot, w1 = 2,4; w2=1,6; dan bias=-3,2
TUGAS MANDIRI
 Pelajari Teknik Pengenalan Pola dengan JST-
Perceptron.
ADA PERTANYAAN?
Terima Kasih

Más contenido relacionado

La actualidad más candente

Telekomunikasi Analog dan Digital - Slide week 13 - modulasi gabungan (hybrid)
Telekomunikasi Analog dan Digital - Slide week 13 - modulasi gabungan (hybrid)Telekomunikasi Analog dan Digital - Slide week 13 - modulasi gabungan (hybrid)
Telekomunikasi Analog dan Digital - Slide week 13 - modulasi gabungan (hybrid)Beny Nugraha
 
Hand out sinyal & sistem
Hand out sinyal & sistemHand out sinyal & sistem
Hand out sinyal & sistemSetyo Wibowo'
 
Sistem LTI Waktu Kontinyu
Sistem LTI Waktu KontinyuSistem LTI Waktu Kontinyu
Sistem LTI Waktu Kontinyuyusufbf
 
Pertemuan 03.Pengantar Model
Pertemuan 03.Pengantar ModelPertemuan 03.Pengantar Model
Pertemuan 03.Pengantar ModelAprianti Putri
 
Aplikom10 matlab statistik
Aplikom10 matlab statistikAplikom10 matlab statistik
Aplikom10 matlab statistikArif Rahman
 
Jaringan syaraf tiruan
Jaringan syaraf tiruanJaringan syaraf tiruan
Jaringan syaraf tiruanpoposayangmomo
 
Model Jaringan Hopfield
Model Jaringan HopfieldModel Jaringan Hopfield
Model Jaringan HopfieldSherly Uda
 
Perbedaan sistem linear dan non linear
Perbedaan sistem linear dan non linearPerbedaan sistem linear dan non linear
Perbedaan sistem linear dan non linearElGazzaYantPratama
 
Konsep Sinyal dan Sistem
Konsep Sinyal dan SistemKonsep Sinyal dan Sistem
Konsep Sinyal dan Sistemyusufbf
 
Materi Kuliah Data Mining full
Materi Kuliah Data Mining fullMateri Kuliah Data Mining full
Materi Kuliah Data Mining fullMunajat ( Munjob )
 
Pengolahan Sinyal Digital - Slide week 2 - sistem & sinyal waktu diskrit
Pengolahan Sinyal Digital - Slide week 2 - sistem & sinyal waktu diskritPengolahan Sinyal Digital - Slide week 2 - sistem & sinyal waktu diskrit
Pengolahan Sinyal Digital - Slide week 2 - sistem & sinyal waktu diskritBeny Nugraha
 
Regresi dan interpolasi
Regresi dan interpolasiRegresi dan interpolasi
Regresi dan interpolasiIsti Qomah
 
Tugas i statin lanjutan rahmi elviana 1620932015
Tugas i statin lanjutan   rahmi elviana 1620932015Tugas i statin lanjutan   rahmi elviana 1620932015
Tugas i statin lanjutan rahmi elviana 1620932015Rahmi Elviana
 
Penyederhanaan Karnaugh Map
Penyederhanaan Karnaugh MapPenyederhanaan Karnaugh Map
Penyederhanaan Karnaugh MapCheria Asyifa
 
konsep dasar sinyal dan sistem
konsep dasar sinyal dan sistemkonsep dasar sinyal dan sistem
konsep dasar sinyal dan sistemrajareski ekaputra
 

La actualidad más candente (20)

Telekomunikasi Analog dan Digital - Slide week 13 - modulasi gabungan (hybrid)
Telekomunikasi Analog dan Digital - Slide week 13 - modulasi gabungan (hybrid)Telekomunikasi Analog dan Digital - Slide week 13 - modulasi gabungan (hybrid)
Telekomunikasi Analog dan Digital - Slide week 13 - modulasi gabungan (hybrid)
 
Hand out sinyal & sistem
Hand out sinyal & sistemHand out sinyal & sistem
Hand out sinyal & sistem
 
Sistem LTI Waktu Kontinyu
Sistem LTI Waktu KontinyuSistem LTI Waktu Kontinyu
Sistem LTI Waktu Kontinyu
 
Pertemuan 03.Pengantar Model
Pertemuan 03.Pengantar ModelPertemuan 03.Pengantar Model
Pertemuan 03.Pengantar Model
 
Aplikom10 matlab statistik
Aplikom10 matlab statistikAplikom10 matlab statistik
Aplikom10 matlab statistik
 
Jaringan syaraf tiruan
Jaringan syaraf tiruanJaringan syaraf tiruan
Jaringan syaraf tiruan
 
1 sinyal
1  sinyal1  sinyal
1 sinyal
 
Model Jaringan Hopfield
Model Jaringan HopfieldModel Jaringan Hopfield
Model Jaringan Hopfield
 
Perbedaan sistem linear dan non linear
Perbedaan sistem linear dan non linearPerbedaan sistem linear dan non linear
Perbedaan sistem linear dan non linear
 
Konsep Sinyal dan Sistem
Konsep Sinyal dan SistemKonsep Sinyal dan Sistem
Konsep Sinyal dan Sistem
 
Materi Kuliah Data Mining full
Materi Kuliah Data Mining fullMateri Kuliah Data Mining full
Materi Kuliah Data Mining full
 
Pengolahan Sinyal Digital - Slide week 2 - sistem & sinyal waktu diskrit
Pengolahan Sinyal Digital - Slide week 2 - sistem & sinyal waktu diskritPengolahan Sinyal Digital - Slide week 2 - sistem & sinyal waktu diskrit
Pengolahan Sinyal Digital - Slide week 2 - sistem & sinyal waktu diskrit
 
Regresi dan interpolasi
Regresi dan interpolasiRegresi dan interpolasi
Regresi dan interpolasi
 
Tugas i statin lanjutan rahmi elviana 1620932015
Tugas i statin lanjutan   rahmi elviana 1620932015Tugas i statin lanjutan   rahmi elviana 1620932015
Tugas i statin lanjutan rahmi elviana 1620932015
 
Jaringan hebb
Jaringan hebbJaringan hebb
Jaringan hebb
 
8 kuantisasi
8 kuantisasi8 kuantisasi
8 kuantisasi
 
Fungsi grafik di matlab
Fungsi grafik di matlabFungsi grafik di matlab
Fungsi grafik di matlab
 
Penyederhanaan Karnaugh Map
Penyederhanaan Karnaugh MapPenyederhanaan Karnaugh Map
Penyederhanaan Karnaugh Map
 
konsep dasar sinyal dan sistem
konsep dasar sinyal dan sistemkonsep dasar sinyal dan sistem
konsep dasar sinyal dan sistem
 
6 frekuensi sinyal
6  frekuensi sinyal6  frekuensi sinyal
6 frekuensi sinyal
 

Destacado

An optimal unsupervised text data segmentation 3
An optimal unsupervised text data segmentation 3An optimal unsupervised text data segmentation 3
An optimal unsupervised text data segmentation 3prj_publication
 
Le Satoh Unsupervised Face Annotation Icdm08
Le Satoh Unsupervised Face Annotation Icdm08Le Satoh Unsupervised Face Annotation Icdm08
Le Satoh Unsupervised Face Annotation Icdm08AlgnuD
 
Recommendation system using unsupervised machine learning algorithm & assoc
Recommendation system using unsupervised machine learning algorithm & assocRecommendation system using unsupervised machine learning algorithm & assoc
Recommendation system using unsupervised machine learning algorithm & associjerd
 
Bab 1 pendahuluan weka
Bab 1 pendahuluan wekaBab 1 pendahuluan weka
Bab 1 pendahuluan wekaMedika Risna
 

Destacado (6)

Machine learning dan data mining
Machine learning dan data miningMachine learning dan data mining
Machine learning dan data mining
 
9349 12 supervised dan-unsupervised-learning
9349 12 supervised dan-unsupervised-learning9349 12 supervised dan-unsupervised-learning
9349 12 supervised dan-unsupervised-learning
 
An optimal unsupervised text data segmentation 3
An optimal unsupervised text data segmentation 3An optimal unsupervised text data segmentation 3
An optimal unsupervised text data segmentation 3
 
Le Satoh Unsupervised Face Annotation Icdm08
Le Satoh Unsupervised Face Annotation Icdm08Le Satoh Unsupervised Face Annotation Icdm08
Le Satoh Unsupervised Face Annotation Icdm08
 
Recommendation system using unsupervised machine learning algorithm & assoc
Recommendation system using unsupervised machine learning algorithm & assocRecommendation system using unsupervised machine learning algorithm & assoc
Recommendation system using unsupervised machine learning algorithm & assoc
 
Bab 1 pendahuluan weka
Bab 1 pendahuluan wekaBab 1 pendahuluan weka
Bab 1 pendahuluan weka
 

Similar a Supervised Learning (13)

19511 19 & 20 jst
19511 19 & 20 jst19511 19 & 20 jst
19511 19 & 20 jst
 
14237 19 & 20 jst
14237 19 & 20 jst14237 19 & 20 jst
14237 19 & 20 jst
 
(Jst)hebb dan delta rule
(Jst)hebb dan delta rule(Jst)hebb dan delta rule
(Jst)hebb dan delta rule
 
7-1-Artificial Neural Network.pptx
7-1-Artificial Neural Network.pptx7-1-Artificial Neural Network.pptx
7-1-Artificial Neural Network.pptx
 
Jstchapt2
Jstchapt2Jstchapt2
Jstchapt2
 
Perceptron
PerceptronPerceptron
Perceptron
 
Jar perceptron
Jar perceptronJar perceptron
Jar perceptron
 
pertemuan-11-jst.ppt
pertemuan-11-jst.pptpertemuan-11-jst.ppt
pertemuan-11-jst.ppt
 
03. JARINGAN SYARAF HEBB (1).pptx
03. JARINGAN SYARAF HEBB (1).pptx03. JARINGAN SYARAF HEBB (1).pptx
03. JARINGAN SYARAF HEBB (1).pptx
 
Jaringan perceptron & matlab
Jaringan perceptron & matlabJaringan perceptron & matlab
Jaringan perceptron & matlab
 
Dkc 2 kelompok 2
Dkc 2 kelompok 2Dkc 2 kelompok 2
Dkc 2 kelompok 2
 
Jaringanhebb
JaringanhebbJaringanhebb
Jaringanhebb
 
Dw 9-intelijensi buatan
Dw 9-intelijensi buatanDw 9-intelijensi buatan
Dw 9-intelijensi buatan
 

Más de Sherly Uda

Aplikasi Basis Data Sederhana
Aplikasi Basis Data SederhanaAplikasi Basis Data Sederhana
Aplikasi Basis Data SederhanaSherly Uda
 
Bahasa Query Terapan
Bahasa Query TerapanBahasa Query Terapan
Bahasa Query TerapanSherly Uda
 
Pointer dan Linked List
Pointer dan Linked ListPointer dan Linked List
Pointer dan Linked ListSherly Uda
 
Sequence Diagram
Sequence DiagramSequence Diagram
Sequence DiagramSherly Uda
 
Entity Relationship Diagram
Entity Relationship DiagramEntity Relationship Diagram
Entity Relationship DiagramSherly Uda
 
Data Flow Diagram
Data Flow DiagramData Flow Diagram
Data Flow DiagramSherly Uda
 
Rekayasa Kebutuhan Perangkat Lunak
Rekayasa Kebutuhan Perangkat LunakRekayasa Kebutuhan Perangkat Lunak
Rekayasa Kebutuhan Perangkat LunakSherly Uda
 
Pengantar Analisis Dan Desain Sistem Informasi
Pengantar Analisis Dan Desain Sistem InformasiPengantar Analisis Dan Desain Sistem Informasi
Pengantar Analisis Dan Desain Sistem InformasiSherly Uda
 
Keamanan Basis Data
Keamanan Basis DataKeamanan Basis Data
Keamanan Basis DataSherly Uda
 
Manajemen Transaksi
Manajemen TransaksiManajemen Transaksi
Manajemen TransaksiSherly Uda
 
Pengantar Android
Pengantar AndroidPengantar Android
Pengantar AndroidSherly Uda
 
Neuron Mc Culloch Pitts dan Hebb
Neuron Mc Culloch Pitts dan HebbNeuron Mc Culloch Pitts dan Hebb
Neuron Mc Culloch Pitts dan HebbSherly Uda
 

Más de Sherly Uda (20)

Aplikasi Basis Data Sederhana
Aplikasi Basis Data SederhanaAplikasi Basis Data Sederhana
Aplikasi Basis Data Sederhana
 
Bahasa Query Terapan
Bahasa Query TerapanBahasa Query Terapan
Bahasa Query Terapan
 
Normalisasi
NormalisasiNormalisasi
Normalisasi
 
Model Data
Model DataModel Data
Model Data
 
Linked List
Linked ListLinked List
Linked List
 
Pointer dan Linked List
Pointer dan Linked ListPointer dan Linked List
Pointer dan Linked List
 
Queue
QueueQueue
Queue
 
Sequence Diagram
Sequence DiagramSequence Diagram
Sequence Diagram
 
Class Diagram
Class DiagramClass Diagram
Class Diagram
 
Entity Relationship Diagram
Entity Relationship DiagramEntity Relationship Diagram
Entity Relationship Diagram
 
Data Flow Diagram
Data Flow DiagramData Flow Diagram
Data Flow Diagram
 
Rekayasa Kebutuhan Perangkat Lunak
Rekayasa Kebutuhan Perangkat LunakRekayasa Kebutuhan Perangkat Lunak
Rekayasa Kebutuhan Perangkat Lunak
 
Pengantar Analisis Dan Desain Sistem Informasi
Pengantar Analisis Dan Desain Sistem InformasiPengantar Analisis Dan Desain Sistem Informasi
Pengantar Analisis Dan Desain Sistem Informasi
 
Keamanan Basis Data
Keamanan Basis DataKeamanan Basis Data
Keamanan Basis Data
 
Manajemen Transaksi
Manajemen TransaksiManajemen Transaksi
Manajemen Transaksi
 
Trigger
TriggerTrigger
Trigger
 
Intent
IntentIntent
Intent
 
Widget
WidgetWidget
Widget
 
Pengantar Android
Pengantar AndroidPengantar Android
Pengantar Android
 
Neuron Mc Culloch Pitts dan Hebb
Neuron Mc Culloch Pitts dan HebbNeuron Mc Culloch Pitts dan Hebb
Neuron Mc Culloch Pitts dan Hebb
 

Supervised Learning

  • 2. PENGERTIAN  Belajar dengan Pengawasan  Metode pelatihan yang memasukan target keluaran dalam data untuk proses pelatihannya.
  • 3. PENGERTIAN JST dilatih untuk dapat memetakan sekumpulan sampel input-output dengan akurasi yang tinggi.
  • 4. PENGERTIAN SUPERVISED LEARNING  Parameter-parameter jaringan berubah-ubah berdasarkan vektor latih dan sinyal kesalahan.  Sinyal kesalahan (Error) =>perbedaan antara keluaran (output) JST dan respon yang diinginkan.
  • 6. PERCEPTRON  Perseptron menghitung jumlah nilai perkalian bobot dan masukan kemudian dibandingkan dengan nilai threshold.  Bila nilai keluaran lebih besar dari nilai threshold maka keluarannya adalah satu, sebaliknya adalah nol.
  • 7. ALGORITMA PELATIHAN PERCEPTRON 1. Inisialisasi semua bobot dan bias (biasanya=0).  Set learning rate α (0< α<1)  Set nilai threshold (θ) untuk fungsi aktivasi
  • 8. ALGORITMA PELATIHAN PERCEPTRON 2. Untuk setiap pasangan pembelajaran s-t, kerjakan: a. Set Aktivasi unit input Xi=Si; b. Hitung respons untuk unit output: c. Masukan ke dalam fungsi aktivasi:
  • 9. ALGORITMA PELATIHAN PERCEPTRON d. Bandingkan nilai output y dengan target t. Jika y ≠ t, lakukan perubahan bobot dan bias dengan cara berikut.
  • 10. ALGORITMA PELATIHAN PERCEPTRON d.  Jika y=t, tidak ada perubahan bobot dan bias
  • 11. ALGORITMA PELATIHAN PERCEPTRON 3. Lakukan iterasi terus- menerus hingga semua pola memiliki output jaringan sama dengan target.
  • 12. ALGORITMA PELATIHAN PERCEPTRON  Digunakan untuk input biner atau bipolar  Dengan nilai threshold tertentu  Memiliki nilai bias yang dapat diatur.  Satu pelatihan yang melibatkan seluruh data input disebut satu Epoch.
  • 13. CONTOH  Buatlah jaringan syaraf tiruan untuk melakukan pembelajaran terhadap fungsi logika “AND” dengan input biner dan target bipolar.  Diketahui nilai learning rate (α) = 0,8 dan nilai threshold(θ)=0,5X1 X2 Targe t 0 0 -1 0 1 -1 1 0 -1 1 1 1
  • 14. ALGORITMA PELATIHAN: Bobot Awal : w1=w2=0 Bias awal : b=0 Learning rate (α) : 0,8 Threshold (θ) : 0,5
  • 15. EPOCH KE-1;DATA KE-1  x1=0, x2=0, t=-1, θ=0,5  = 0+0.0+0.0=0  Bandingkan dengan fungsi aktivasi  Hasil y=0  Tidak sama dgn target t=-1, maka harus dilakukan perubahan bobot dan bias
  • 16. EPOCH KE-1;DATA KE-1  w1(baru) =w1(lama)+α*t*xi =0+(0,8*(-1)*0=0  w2(baru)=w2(lama)+α*t*xi =0+(0,8*(-1)*0=0  b(baru) =b(lama)+α*t =0+0,8*(-1)=-0,8
  • 17. EPOCH KE-1; DATA KE-2  x1=0, x2=1, target t=-1  =-0,8+0.0+1.0=-0,8  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidak dilakukan perubahan bobot dan bias
  • 18. EPOCH KE-1; DATA KE-3  x1=1, x2=0, target t=-1  =-0,8+1.0+0.0=-0,8  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidak dilakukan perubahan bobot dan bias
  • 19. EPOCH KE-1; DATA KE-4  x1=1, x2=1, target t=1  =-0,8+1.0+1.0=-0,8  Bandingkan dengan fungsi aktivasi  Hasil y=-1  tidaksama dgn target t=1, maka harus dilakukan perubahan bobot dan bias
  • 20. EPOCH KE-1; DATA KE-4  w1(baru) =w1(lama)+α*t*xi =0+(0,8*1*1)=0,8  w2(baru)=w2(lama)+α*t*xi =0+(0,8*1*1)=0,8  b(baru) =b(lama)+α*t =-0,8+0,8*1=0
  • 21. EPOCH KE-9 DATA 1  Dari epoch ke-8 diperoleh nilai : w1=2,4 ; w2=1,6 ; b=- 3,20  x1=0, x2=0, target t=-1  = -3,2+0*2,4+0*1,6=-3,2  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidakdilakukan perubahan bobot dan bias
  • 22. EPOCH KE-9; DATA KE-2  x1=0, x2=1, target t=-1  = -3,2+0*2,4+1*1,6=-1,6  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidak dilakukan perubahan bobot dan bias
  • 23. EPOCH KE-9; DATA KE-3  x1=1, x2=0, target t=-1  = -3,2+1*2,4+0*1,6=-0,8  Bandingkan dengan fungsi aktivasi  Hasil y=-1  sama dgn target t=-1, maka tidak dilakukan perubahan bobot dan bias
  • 24. EPOCH KE-9; DATA KE-4  x1=1, x2=1, target t=1  = -3,2+1*2,4+1*1,6=0,8  Bandingkan dengan fungsi aktivasi  Hasil y=1  sama dgn target t=1, maka tidak dilakukan perubahan bobot dan bias
  • 25. HASIL  Pada epoch ke-9 tidak terjadi perubahan bobot dan bias, dan diperoleh nilai output jaringan untuk semua data bernilai sama dengan target.  Hasil akhirnya adalah:  Nilai bobot, w1 = 2,4; w2=1,6; dan bias=-3,2
  • 26. TUGAS MANDIRI  Pelajari Teknik Pengenalan Pola dengan JST- Perceptron.