PENDAHULUAN

Latar Belakang
Metode perceptron merupakan metode pembelajaran dengan pengawasan
dalam sistem jaringan syaraf. Dalam merancang jaringan neuron yang perlu
diperhatikan adalah banyaknya spesifikasi yang akan diidentifikasi.
Jaringan neuron terdiri dari sejumlah neuron dan sejumlah masukan.
Teori Jaringan Syaraf Tiruan (JST) Elemen yang paling mendasar dari jaringan
syaraf adalah sel syaraf. Sel-sel syaraf inilah membentuk bagian kesadaran
manusia yang meliputi beberapa kemampuan umum. Pada dasarnya sel syaraf
biologi menerima masukan dari sumber yang lain dan mengkombinasikannya
dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk
mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut. Jaringan
syaraf tiruan dapat dibayangkan seperti otak buatan yang dapat berpikir seperti
manusia dan juga sepandai manusia dalam menyimpulkan sesuatu dari potonganpotongan informasi yang diterima. Khayalan manusia tersebut mendorong para
peneliti untuk mewujudkannya. Komputer diusahankan agar bisa berpikir sama
seperti cara berpikir manusia. Caranya adalah dengan melakukan peniruan
terhadap aktivitasaktivitas yang terjadi di dalam sebuah jaringan syaraf biologis.
[KUS03] Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah
adanya elemenelemen pemrosesan pada jaringan syaraf tiruan yang saling
terhubung dan beroperasi secara paralel. Ini meniru jaringan syaraf biologis yang
tersusun dari sel-sel syaraf (neuron). Cara kerja dari elemenelemen pemrosesan
jaringan syaraf tiruan juga sama seperti meng-encode informasi yang diterimanya.
Jaringan syaraf biologis merupakan kumpulan sel-sel syaraf (neuron). Neuron
mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah
neuron dapat dikelompokkan menjadi tiga bagian, yaitu: 1. Dendrit. Dendrit
bertugas untuk menerima informasi. 2. Badan sel (soma). Badan sel berfungsi
sebagai tempat pengolahan informasi. 3. Akson (neurit). Akson mengirimkan
impulsimpuls ke sel syaraf lainnya.

Jaringan saraf dapat digunakan untuk menentukan hubungan dan pola

antara input dan output . Lapisan tunggal jaringan syaraf sederhana yang memiliki
kemampuan untuk belajar dan membedakan data set dikenal sebagai perceptron

Rumus umum perceptron :

METODE PERCEPTRON
Arsitektur perceptron dalam mengenali pola dengan metode pembelajaran
terbimbing seperti pada gambar berikut :

Target : Nilai yang diinginkan

Output : Nilai keluar dari neuron
Proses compare digunakan untuk membandingkan antara outpu dengan target, jika
terjadi perbedaan maka weight di adjust sampai medekati nilai target
Cara kerja perceptron
Perhatikan proses perceptron pada gambar berikut

P = input jaringan
w = bobot
b = bias

Input jaringan akan diberikan pembobotan (w) yang kemudian di proses olah
pemroses elemen dimana nilai input akan dikalikan dengan nilai pembobotannya.
Perceptron dilatih dengan menggunakan sekumpulan pola yang diberikan
kepadanya secara berulang ulang selama latihan, setiap pola yang digunakan
merupakan pasangan pola masukan dan pola yang di inginkan sebagai target
perceptron melakukan penjumlahan pola pada tiap masukannya dan menggunakan
fungsi ambang untuk menghitung keluarannya keluaran ini kemudian
dibandingkan dengan hasil yang diinginkan perbedaan yang dihasilkan dari
perbedaan ini digunakan untuk merubah bobot dalam jaringan demikian dilakukan
secara berulang ulang sampai diperoleh hasil yang diinginkan
Contoh kasus ;
Pada awalnya bobot dibuat kecil untuk menjaga jangan sampai terjadi perbedaan
yang
sangat
besar
dengan
target
misalnya bobot awal di buat random, pada interval [-0.5 0.5] Keluaran adalah
proses jumlah perkalian antara masukan dengan bobot Jika terjadi perbedaan
antara keluaran dengan target, e(k) = a(k) t(k), k = iterasi ke 1 2 3 maka bobot
diatur sedikit demi sedikit untuk mendapatkan keluaran yang sesuai dengan target
w(k+1) = w(k) = ^w(k)

Langkah pertama : inisiasi awal

Mengatur bobot w1 w2 ... wn interval [-0.5 0.5] mengatur bias/treshold (b)

mengatur kecepatan pembelajaran (n), fungsi aktivasi

Langkah kedua : Menghitung keluaran

Mengaktifkan perceptron dengan memakai masukan p1(k), p2(k), ... pi(k) dan
target dikehendaki t(k). Hitunglah output aktual pada iterasi ke k = 1

Langkah ketiga : menghitung error

e(k) = t(k) a(k) t(k) = target, a(t) = keluaran perceptron

Langkah keempat : Mengatur bobot Mengupdate bobot perceptron

wi(k+i) = wi(k) = ^wi(k)

W(k+1) > bobot baru w(k) > bobot lalu

^wi(p) adalah pengoreksian bobot pada iterasi k, yang dihitung dengan
^wi(p) = n x pi(k) x e(k)

Langkah kelima : pengulangan

Naikkan iterasi k dengan 1 (k = k+1), kembalilah ke langkah ke dua dan ulangi

proses sampai keluaran = target atau mendekati target.