Dokumen tersebut membahas tentang supervised learning khususnya perceptron. Secara singkat, perceptron adalah metode pelatihan jaringan saraf tiruan dengan pengawasan yang melibatkan target keluaran dalam proses pelatihan. Algoritma pelatihan perceptron mengubah bobot secara iteratif berdasarkan nilai error hingga didapatkan bobot yang mampu memetakan input-output secara akurat.
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.
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
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
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
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