NIM 2117000028
Jenjang-Prodi S2-Ilmu Komputer
Semester 1
Kelas Sore A
Mata Kuliah Pattern Recognition
Dosen Dr. Rika Rosnelly, M.Kom
Tugas Analisis Perbedaan Perceptron & Backpropagation
Link https://www.researchgate.net/publication/228340819
ISSN 1109-2734
Volume Vol. 8
Tahun Juli 2009
Perceptron Perceptron multilayer adalah yang paling dikenal dan jenis jaringan
saraf yang paling sering digunakan. Pada sebagian besar kesempatan,
sinyal ditransmisikan dalam jaringan dalam satu arah: dari input ke
output. Di sana tidak ada loop, output dari setiap neuron tidak
mempengaruhi neuron itu sendiri. Lapisan yang tidak terhubung
langsung ke lingkungan disebut tersembunyi. Dalam referensi materi,
ada kontroversi mengenai yang pertama lapisan (lapisan input)
dianggap sebagai lapisan yang berdiri sendiri (sendiri a) dalam
jaringan, karena hanya fungsinya adalah untuk mengirimkan sinyal
input ke atas strata, tanpa pemrosesan pada input. Dalam apa berikut,
kami hanya akan menghitung lapisan yang terdiri dari neuron yang
berdiri sendiri, tetapi kami akan menyebutkan bahwa input
dikelompokkan dalam lapisan input. Pengenalan beberapa lapisan
adalah ditentukan oleh kebutuhan untuk meningkatkan kompleksitas
daerah keputusan. Perceptron dengan satu lapisan dan satu input
menghasilkan wilayah keputusan dalam bentuk setengah pesawat.
Dengan menambahkan lapisan lain, setiap neuron bertindak sebagai
perceptron standar untuk output dari neuron di lapisan anterior,
sehingga output dari jaringan dapat memperkirakan daerah keputusan
cembung, dihasilkan dari perpotongan setengah bidang dihasilkan oleh
neuron. Kekuatan perceptron multilayer datang tepatnya dari fungsi
aktivasi non-linier. Hampir semua fungsi non-linier dapat digunakan
untuk ini tujuan, kecuali untuk fungsi polinomial. Saat ini, fungsi yang
paling umum digunakan saat ini adalah sigmo . kutub tunggal (atau
logistik) sigmoid.
Backpropagation Jaringan pembelajaran biasanya dicapai melalui cara yang diawasi.
Dapat diasumsikan tersedia lingkungan belajar yang mengandung baik
model pembelajaran dan model keluaran yang diinginkan sesuai
dengan input (ini dikenal sebagai "target model"). Seperti yang akan
kita lihat, pembelajaran biasanya didasarkan pada minimalisasi
kesalahan pengukuran antara keluaran jaringan dan keluaran yang
diinginkan. Ini menyiratkan propagasi balik melalui jaringan yang
mirip dengan itu yang dipelajari. Untuk alasan ini pembelajaran
algoritma disebut Backpropagation. Ada tiga tahapan yaitu
proses feedforward , backpropagating–errors dan
pengaturan(update) nilai bobot. Setelah proses pelatihan, dilakukan
proses pengujian yang hanya melalui tahapan feedforward. Simplenya
proses ini bermaksud untuk menyesuaikan kembali tiap weight dan bias
berdasarkan error yang didapat pada saat forward pass.
Perbedaan Pereceptron
Backpropagation