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

b xw
y_in
f(y_in)
y
Konsep Dasar
Fungsi aktivasi
Fungsi aktivasi yang biasa digunakan adalah fungsi step bipolar
dengan threshold tetap ()
f(y_in)=1, jika y_in>
0, jika y_in
-1, jika y_in < -
Apabila kesalahan terjadi untuk suatu pola masukan pelatihan, bobot
akan diubah dengan rumus:
wi (new)= wi (old) + .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
0
2 1 1
b x w x w
2
0
2 2 1 1
b x w x w
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
x1
xi
xn
Y
1
b
wi
wn
w1
.
.
.
.
.
.

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
Algoritma
Algoritma Pelatihan
Algoritma Pengujian
1 0
Algoritma Pelatihan
Step 0. Inisialisasi seluruh bobot dan bias
( agar sederhana set bobot dan bias menjadi 0)
set laju pembelajaran (0<1)
( agar sederhana set 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
x
i
= s
i

Step 4. Hitung Respon dari unit keluaran
y = 1, jika y_in >
0, jika - y_in
1, jika y_in < -
Step 5. Sesuaikan bobot dan Bias jika kesalahan terjadi untuk pola ini
Jika y t, maka
w
i
(new) = w
i
(old) + .t.x
i

b(new) = b(old) + .t
jika tidak, maka
w
i
(new) = w
i
(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

i
i i
w x b in y _
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
x
i
= s
i

Step 3. Hitung Total masukan ke unit keluaran



Step 4. Gunakan Fungsi aktivasi
y =f(y_in)= 1, jika y_in >
0, jika - y_in
1, jika y_in < -
Dimana nilai f(y_in) menjadi nilai kjeluaran dari unit keluaran (Y)

i
i i
w x b in y _
Contoh Problem
Digunakan untuk mengklasifikasikan fungsi and

Bipolar input dan target
X1 x2 t
1 1 1
1 -1 -1
-1 1 -1
-1 -1 -1