Contoh Soal Jaringan Perceptron Sederhana

Buatlah jaringan perceptron sederhana untuk mengenali fungsi logika “OR” dengan
menggunakan masukan biner dan keluaran bipolar, menggunakan learning rate α = 1 dan
threshold θ = 0,2. Untuk inisialisasi, gunakan bobot dan bias awal = 0.

Penyelesaian
1
b
x1 w1
y
w2
x2

Jaringan perceptron sederhana

Tabel masukan dan target fungsi logika “OR” dengan masukan biner dan keluaran bipolar
adalah sebagai berikut:

Masukan Target
Eksemplar
x1 x2 1 t
1 1 1 1 1
2 1 0 1 1
3 0 1 1 1
4 0 0 1 -1

𝑛𝑒𝑡 = ∑ 𝑥𝑖 𝑤𝑖 + 𝑏 = 𝑥1 𝑤1 + 𝑥2 𝑤2 + 𝑏

Untuk θ = 0,2, maka fungsi aktifasi menjadi:

1, 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 > 0,2
𝑦 = 𝑓(𝑛𝑒𝑡) = { 0, 𝑗𝑖𝑘𝑎 − 0,2 ≤ 𝑛𝑒𝑡 ≤ 0,2
−1, 𝑗𝑖𝑘𝑎 𝑛𝑒𝑡 < −0,2

Pada eksemplar 1:
Masukan:
(x1 x2 1) = (1 1 1)
dengan bobot awal (inisialisasi):
(w1 w2 b) = (0 0 0)
maka,
𝑛𝑒𝑡 = ∑ 𝑥𝑖 𝑤𝑖 + 𝑏 = 𝑥1 𝑤1 + 𝑥2 𝑤2 + 𝑏 = 1 ∗ 0 + 1 ∗ 0 + 0 = 0
sehingga,
𝑦 = 𝑓(𝑛𝑒𝑡) = 𝑓(0) = 0
Keluaran jaringan y = 0, sedangkan target yang diinginkan t = 1.
Karena y ≠ t, maka bobot diperbaharui dengan ∆𝑤𝑖 = 𝛼𝑡𝑤𝑖
∆𝑤1 = 𝛼𝑡𝑥1 = 1 ∗ 1 ∗ 1 = 1
∆𝑤2 = 𝛼𝑡𝑥2 = 1 ∗ 1 ∗ 1 = 1
∆𝑏 = 𝛼𝑡 = 1 ∗ 1 = 1
Sehingga diperoleh bobot-bobot baru:
bobot baru = bobot lama + ∆𝑤
𝑤1 𝑏𝑎𝑟𝑢 = 𝑤1 𝑙𝑎𝑚𝑎 + ∆𝑤1 = 0 + 1 = 1
𝑤2 𝑏𝑎𝑟𝑢 = 𝑤2 𝑙𝑎𝑚𝑎 + ∆𝑤2 = 0 + 1 = 1
𝑏𝑏𝑎𝑟𝑢 = 𝑏𝑙𝑎𝑚𝑎 + ∆𝑏 = 0 + 1 = 1

Pada eksemplar 2:
Masukan:
(x1 x2 1) = (1 0 1)
dengan bobot (dari hasil proses pada eksemplar 1):
(w1 w2 b) = (1 1 1)
maka,
net = ∑ 𝑥𝑖 𝑤𝑖 + 𝑏 = 𝑥1 𝑤1 + 𝑥2 𝑤2 + 𝑏 = 1 ∗ 1 + 0 ∗ 1 + 1 = 2
sehingga,
𝑦 = 𝑓(𝑛𝑒𝑡) = 𝑓(2) = 1
Keluaran jaringan y = 1, dan target yang diinginkan t = 1.
Karena y = t, maka bobot tidak diperbaharui, ∆𝑤𝑖 = 0
∆𝑤1 = 0
∆𝑤2 = 0
∆𝑏 = 0
Sehingga bobot-bobot tidak berubah:
bobot baru = bobot lama
𝑤1 𝑏𝑎𝑟𝑢 = 𝑤1 𝑙𝑎𝑚𝑎 = 1
𝑤2 𝑏𝑎𝑟𝑢 = 𝑤2 𝑙𝑎𝑚𝑎 = 1
𝑏𝑏𝑎𝑟𝑢 = 𝑏𝑙𝑎𝑚𝑎 = 1

Pada eksemplar 3:
Masukan:
(x1 x2 1) = (0 1 1)
dengan bobot (dari hasil proses pada eksemplar 2):
(w1 w2 b) = (1 1 1)

dan seterusnya….. sampai seluruh eksemplar dalam satu epoch sudah diberikan.
Jika keluaran (y) untuk seluruh eksemplar dalam epoch belum sesuai dengan terget (t), maka
berikan eksemplar baru untuk epoch berikutnya.

Pelatihan dihentikan jika keluaran (y) untuk seluruh eksemplar dalam epoch sudah sesuai
dengan terget (t).

Epoch 1
Masukan Target y = Perubahan Bobot Bobot Baru
x1 x2 1 t net f(net) ∆w1 ∆w2 ∆b w1 w2 b
Inisialisasi 0 0 0
1 1 1 1 0 0 1 1 1 1 1 1
1 0 1 1 2 1 0 0 0 1 1 1
0 1 1 1 2 1 0 0 0 1 1 1
0 0 1 -1 1 1 0 0 -1 1 1 0

Mengingat keluaran (y) untuk seluruh eksemplar dalam epoch 1 belum sesuai dengan target
(t), maka pelatihan dilanjutkan ke epoch 2.

Epoch 2
Masukan Target y = Perubahan Bobot Bobot Baru
net
x1 x2 1 t f(net) ∆w1 ∆w2 ∆b w1 w2 b
Bobot dari Epoch 1 1 1 0
1 1 1 1 2 1 0 0 0 1 1 0
1 0 1 1 1 1 0 0 0 1 1 0
0 1 1 1 1 1 0 0 0 1 1 0
0 0 1 -1 0 0 0 0 -1 1 1 -1

Epoch 3
Masukan Target y = Perubahan Bobot Bobot Baru
net
x1 x2 1 t f(net) ∆w1 ∆w2 ∆b w1 w2 b
Bobot dari Epoch 2 1 1 -1
1 1 1 1 1 1 0 0 0 1 1 -1
1 0 1 1 0 0 1 0 1 2 1 0
0 1 1 1 1 1 0 0 0 2 1 0
0 0 1 -1 0 0 0 0 -1 2 1 -1

Epoch 4
Masukan Target y= Perubahan Bobot Bobot Baru
net
x1 x2 1 t f(net) ∆w1 ∆w2 ∆b w1 w2 b
Bobot dari Epoch 3 2 1 -1
1 1 1 1 2 1 0 0 0 2 1 -1
1 0 1 1 1 1 0 0 0 2 1 -1
0 1 1 1 0 0 0 1 1 2 2 0
0 0 1 -1 0 0 0 0 -1 2 2 -1
 Epoch 5
Masukan Target y = Perubahan Bobot Bobot Baru
net
x1 x2 1 t f(net) ∆w1 ∆w2 ∆b w1 w2 b
Bobot dari Epoch 4 2 2 -1
1 1 1 1 3 1 0 0 0 2 2 -1
1 0 1 1 1 1 0 0 0 2 2 -1
0 1 1 1 1 1 0 0 0 2 2 -1
0 0 1 -1 -1 -1 0 0 0 2 2 -1

Mengingat keluaran (y) untuk seluruh eksemplar dalam epoch 5 sudah sesuai dengan target
(t), maka pelatihan dihentikan.
Akhir pelatihan diperoleh bobot-bobot jaringan:
𝑤1 = 2
𝑤2 = 2
𝑏 = −1