KLASIFIKASI BUNGA IRIS

DENGAN MENGIMPLEMENTASIKAN ALGORITMA

MANY ADALINE (MADALINE) MR I

Jaringan Syaraf Tiruan - C

Anggota Kelompok :
Sabrina Nurfadilla 135150207111022
Tiur Prasetyaningtias 135150201111162
Maya Febrianita 135150201111112
Syafitri Hidayatul A.A 135150201111113

FAKULTAS ILMU KOMPUTER

UNIVERSITAS BRAWIJAYA
2016
 DAFTAR ISI

DAFTAR ISI.............................................................................................................. ii
1.1 Metode............................................................................................................... 1
1.1.1 Uraian...................................................................................................... 1
1.1.2 Kelebihan.................................................................................................. 1
1.1.3 Kelemahan................................................................................................ 1
1.1.4 Teori........................................................................................................ 1
1.2 Dataset............................................................................................................... 2
1.3 Perhitungan Manual............................................................................................... 3
1.4 Coding............................................................................................................... 4
1.5 Contoh............................................................................................................... 4
1.1Metode Many Adaline (Madaline) MR I
1.1.1 Uraian
Dalam projek ini akan dibahas mengenai klasifikasi bunga (iris)
menggunakan metode Madaline MR I. Kelas yang digunakan ada dua yaitu iris
setosa dan iris virginica. Iris setosa disimbolkan dengan 1, sedangkan Iris
virginica disimbolkan dengan -1. Dataset yang digunakan sebanyak 20 data,
dimana setiap kelas memiliki 10 data. Dataset ini memiliki 4 atribut, yaitu
panjang kelopak (x1) dan lebar kelopak (x2).

1.1.2 Kelebihan
Madaline memiliki unit tersembunyi (hidden layer) yang dapat
meningkatkan kapabilitas komputasi dibandingkan Adaline.

1.1.3 Kelemahan
Pelatihannya lebih kompleks.

1.1.4 Teori
Madaline merupakan jaringan baru dari gabungan beberapa Adaline.

Gambar diatas menunjukkan arsitektur Madaline untuk dua buah masukan

x1 dan x2, sebuah hidden layer yang terdiri dari dua unit neuron tersembunyi z1
dan z2, dan sebuah keluaran Y. keluaran dari hidden layer z1 dan z2 adalah nilai
fungsi aktivasi (dan threshold) yang diterima x1 dan x2. Unit keluaran Y juga
merupakan nilai fungsi aktivasi dari z1 dan z2.
Dalam algoritma MADALINE mula-mula, bobot v1, v2, dan bias b3 yang
diteruskan ke Y diatur sedemikian hingga keluaran Y bernilai 1 jika salah satu
keluaran dari zl maupun z2 (atau keduanya) bernilai 1. Keluaran Y akan bernilai
 -1 jika keluaran z1 maupun z2 = -1. Dengan kata lain, unit Y membentuk fungsi
logika "OR" dengan masukan dari z1 dan z2. Maka diambil v1 = v2=1/2 dan b3=1/2.
Fungsi aktivasi untuk z1, z2, dan y adalah

f(x) = {11 jikajikaxx< 00

Proses perhitungan Madaline MR I :
Langkah 0 : Inisialisasi bobot. Set bobot v1, v2 dan b3 menggunakan nilai
yang telah dijelaskan sebelumnya. Set bobot lainnya (w 11, w21,
w12, w22, b1, dan b2) menggunakan bilangan acak kecil. Set
learning rate dengan bilangan acak kecil.
Langkah 1 : Selama syarat henti salah, lakukan langkah 2-8
:
Langkah 2 : Untuk setiap pasangan pelatihan (masukan dan target) bipolar
s:t, lakukan langkah 3-7
Langkah 3 : Set aktifasi dari unit masukan, i = 1, ., n
xi = si
Langkah 4 : Hitung masukan jaringan ke setiap unit Adaline tersembunyi
z_in1 = b1 + x1 w11 + x2 w21
z_in2 = b2 + x1 w12 + x2 w22
Langkah 5 : Tentukan keluaran dari setiap unit tersembunyi
z1 = f(z_in1)
z2 = f(z_in2)
Langkah 6 : Tentukan keluaran dari jaringan
y_in = b3 + z1 v1 + z2 v2
y = f(y_in)
Langkah 7 : Tentukan kesalahan dan penyesuaian bobot,
Jika t = y, tak ada penyesuaian bobot.
Jika t = 1, maka sesuaikan bobot pada z j, yaitu unit yang
masukan jaringannya paling mendekati 0,
bj (baru) = bj (lama) + (1 z_inj)
wij (baru) = bj (lama) + (1 z_inj)
Jika t = -1, maka sesuaikan bobot pada seluruh unit z k yang
memiliki masukan jaringan yang positif,
bk (baru) = bk (lama) + (-1 z_ink)
wik (baru) = wik (lama) + (-1 z_ink) xi
Langkah 8 : Uji syarat henti.
Jika tidak ada perubahan bobot (atau telah mencapai level yang
cukup), atau jika telah mencapai jumlah maksimum dari iterasi
perubahan bobot (pada langkah 2), maka berhenti.
Jika tidak lanjutkan.

1.2Dataset
 Dataset klasifikasi bunga diperoleh dari uci dataset sebanyak 30 data dengan empat
atribut dan tiga jenis bunga.
Panjang Kelopak Lebar Kelopak Jenis Bunga
5.1 3.5 Iris-setosa
4.9 3.0 Iris-setosa
4.7 3.2 Iris-setosa
4.6 3.1 Iris-setosa
5.0 3.6 Iris-setosa
5.4 3.9 Iris-setosa
4.6 3.4 Iris-setosa
5.0 3.4 Iris-setosa
4.4 2.9 Iris-setosa
4.9 3.1 Iris-setosa
6.3 3.3 Iris-virginica
5.8 2.7 Iris-virginica
7.1 3.0 Iris-virginica
6.3 2.9 Iris-virginica
6.5 3.0 Iris-virginica
7.6 3.0 Iris-virginica
4.9 2.5 Iris-virginica
7.3 2.9 Iris-virginica
6.7 2.5 Iris-virginica
7.2 3.6 Iris-virginica

1.3Perhitungan Manual
Data uji Inisialisasi bobot hidden layer
1.4Coding
1.5Contoh