Disusun Oleh:
1501022088
A. TUJUAN PRAKTIKUM
1. Mahasiswa mampu memahami algoritma perceptron
B. DASAR TEORI
Perceptron biasanya digunakan untuk mengklasifikasikan pola tertentu dan
juga dikenal sebagai pemisah secara linear. Perceptron mempunyai 3 lapis neuron
yaitu: unit sensori, unit asosiator dan unit tanggapan.
Output perceptron: y = f (y_in)
dengan fungsi aktivasi:
Perubahan bobot:
wi(baru) = wi(lama) + at.xi
dengan nilai target t= +1 atau -1 dan a = laju pelatihan
function [w,b,err]=lperceptron1(pm,pt,lp,maxiter)
%Input : pm = pola-pola masukan
% pt = pola-pola target
% lp = laju pembelajaran
% maxiter = jumlah maksimum iterasi
% eps = toleransi error
%Output : w = bobot
% b = bias
% err = error
%==========================================
% inisialisasi semua bobot dan bias nol
w= rand(1,length(pm(1,:)));
w=w-w;
b=0;
n=0;
MSE=1;
err=[];
while (n < maxiter)
disp('iterasi ke:'),n+1
for k=1:length(pm(:,1))
disp('data ke:'),k
s= pm(k,:);
x=s;
yin=b+sum(x*w');
y=bipolar2(yin,0.2);
t=pt(k,:);
if y ~= t
% Perbarui bobot
w= w + (lp*t* x)
b= b+(lp*t)
else
% Perbarui bobot
w=w
b=b
end
e(k)=(y-t)
end
n=n+1;
err(n)=sqrt(sum(e.A2))/(length(pm(:,1))*n);
MSE=err(n)
end
Gambar 4.2.3 (a) iterasi pertama data ke 4 dan (b) iterasi kedua data ke 1 dan 2
(a) (b)
Gambar 4.2.4 (a) iterasi kedua data ke 3 dan 4 (b) iterasi ketiga data ke 1
(a) (b)
E. TUGAS
Pada penugasan dilakukan penerapan untuk kedua fungsi yang
sudah dituliskan sebelumnya yaitu Prak71a.m dan Prak71b.m dengan
menuliskannya disertai sedikit perubahan program seperti pada gambar
5.1.1 di bawah ini.
Perubahan yang terjadi pada listing program tersebut yaitu pada nilai
nilai yang diberikan untuk variable pm dan pt yang disesuaikan dengan
tabel. Kemudian untuk fungsi perceptron yang dipanggil adalah untuk
algoritma MIMO (multi input multi output).
Berikut di bawah ini hasil-hasil yang ditampilkan oleh program
tersebut ketika di running untuk melakukan pembelajaran atau training.
Gambar 5.1.2 hasil dari pelatihan untuk algoritma perceptron MIMO
G. REFERENSI