UTS JARINGAN SYARAF TIRUAN

1. Diketahui sebuah data dengan 5 fitur dan kelas sebagai berikut:

a b c d e kelas
1 1 1 1 0 -1
1 1 1 0 1 -1
1 1 0 1 1 1
1 0 1 1 1 1
0 1 1 1 1 -1
-1 1 1 1 0 1

a. Lakukanlah proses learning secara manual menggunakan perceptron menggunakan

data di atas sampai epoch ke-5. Lalu tuliskan berapa bobot w dan b terakhir yang Anda
dapatkan!
b. Lakukan pengujian terhadap perceptron yang telah dilatih sebanyak 5 epoch tadi
menggunakan data latih di atas. Kemudian catat output yang dihasilkan oleh perceptron.
Berapa akurasinya jika dibandingkan dengan target kelas pada data di atas? Kemudian
jelaskan apa penyebab akurasi yang didapatkan tidak sampai 100%?
Penyelesaian:
a. Learning Perceptron
Learning rate (α) = 1
Maksimum epoch = 5
Epoch 1
Masukan Perubahan bobot Bobot baru
t y
a b c d e B ∆wa ∆wb ∆wc ∆wd ∆we ∆b wa wb wc wd we b
INISIALISASI 0 0 0 0 0 0
1 1 1 1 0 1 -1 0 -1 -1 -1 -1 0 -1 -1 -1 -1 -1 0 -1
1 1 1 0 1 1 -1 -1 0 0 0 0 0 0 -1 -1 -1 -1 0 -1
1 1 0 1 1 1 1 -1 1 1 0 1 1 1 0 0 -1 0 1 0
1 0 1 1 1 1 1 0 1 0 1 1 1 1 1 0 0 1 2 1
0 1 1 1 1 1 -1 1 0 -1 -1 -1 -1 -1 1 -1 -1 0 1 0
-1 1 1 1 0 1 1 -1 -1 1 1 1 0 1 0 0 0 1 1 1
Epoch 2
Masukan t y Perubahan bobot Bobot baru
a b c d e B ∆wa ∆wb ∆wc ∆wd ∆we ∆b wa wb wc wd we b
Bobot dari Epoch 1 0 0 0 1 1 1
1 1 1 1 0 1 -1 1 -1 -1 -1 -1 0 -1 -1 -1 -1 0 1 0
1 1 1 0 1 1 -1 -1 0 0 0 0 0 0 -1 -1 -1 0 1 0
1 1 0 1 1 1 1 -1 1 1 0 1 1 1 0 0 -1 1 2 1
1 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 -1 1 2 1
0 1 1 1 1 1 -1 1 0 -1 -1 -1 -1 -1 0 -1 -2 0 1 0
-1 1 1 1 0 1 1 -1 -1 1 -1 1 0 1 -1 0 -1 1 1 1

Epoch 3
Masukan Perubahan bobot Bobot baru
t y
a b c d e B ∆wa ∆wb ∆wc ∆wd ∆we ∆b wa wb wc wd we b
Bobot dari Epoch 2 -1 0 -1 1 1 1
1 1 1 1 0 1 -1 0 -1 -1 -1 -1 0 -1 -2 -1 -2 0 1 0
1 1 1 0 1 1 -1 -1 0 0 0 0 0 0 -2 -1 -2 0 1 0
1 1 0 1 1 1 1 -1 1 1 0 1 1 1 -1 0 -2 1 2 1
1 0 1 1 1 1 1 1 0 0 0 0 0 0 -1 0 -2 1 2 1
0 1 1 1 1 1 -1 1 0 -1 -1 -1 -1 -1 -1 -1 -3 0 1 0
-1 1 1 1 0 1 1 -1 -1 1 1 1 0 1 -2 0 -2 1 1 1

Epoch 4
Masukan Perubahan bobot Bobot baru
t y
a b c d e B ∆wa ∆wb ∆wc ∆wd ∆we ∆b wa wb wc wd we b
Bobot dari Epoch 3 -2 0 -2 1 1 1
1 1 1 1 0 1 -1 -1 0 0 0 0 0 0 -2 0 -2 1 1 1
1 1 1 0 1 1 -1 -1 0 0 0 0 0 0 -2 0 -2 1 1 1
1 1 0 1 1 1 1 1 0 0 0 0 0 0 -2 0 -2 1 1 1
1 0 1 1 1 1 1 -1 1 0 1 1 1 1 -1 0 -1 2 2 2
0 1 1 1 1 1 -1 1 0 -1 -1 -1 -1 -1 -1 -1 -2 1 1 1
-1 1 1 1 0 1 1 1 0 0 0 0 0 0 -1 -1 -2 1 1 1

Epoch 5
 Masukan Perubahan bobot Bobot baru
t y
a b c d e B ∆wa ∆wb ∆wc ∆wd ∆we ∆b wa wb wc wd we b
Bobot dari Epoch 4 -1 -1 -2 1 1 1
1 1 1 1 0 1 -1 -1 0 0 0 0 0 0 -1 -1 -2 1 1 1
1 1 1 0 1 1 -1 -1 0 0 0 0 0 0 -1 -1 -2 1 1 1
1 1 0 1 1 1 1 1 0 0 0 0 0 0 -1 -1 -2 1 1 1
1 0 1 1 1 1 1 0 1 0 1 1 1 1 0 -1 -1 2 2 2
0 1 1 1 1 1 -1 1 0 -1 -1 -1 -1 -1 0 -2 -2 1 1 1
-1 1 1 1 0 1 1 -1 -1 1 1 1 0 1 -1 -1 -1 2 1 2

Setelah epoch ke-5, diperoleh wa = -1, wb = -1, wc = -1, wd = 2, we = 1, dan b = 2.

b. Testing perceptron

a b c d e kelas a b c d e kelas
1 1 1 1 0 -1 1 1 1 1 0 1
1 1 1 0 1 -1 1 1 1 0 1 0
1 1 0 1 1 1 1 1 0 1 1 1
1 0 1 1 1 1 1 0 1 1 1 1
0 1 1 1 1 -1 0 1 1 1 1 1
-1 1 1 1 0 1 -1 1 1 1 0 1
Data awal Data testing
Dari pengujian perceptron di atas, diperoleh 3 dari 6 output pada data testing bernilai
sama dengan data awal sehingga akurasi data testing adalah 50%. Penyebab akurasi
yang didapatkan tidak sampai 100% adalah bobot jaringan yang belum tepat/optimal
karena proses learning pada perceptron hanya sampai epoch ke-5. Kecenderungannya,
semakin besar epoch, maka semakin bagus akurasi sistem.
2. Sebuah perusahaan berniat untuk membuat sistem automatisasi untuk mengenali/membaca
tulisan tangan pada kertas. Oleh karena itu, perusahaan tersebut menyewa jasa konsultan IT
untuk mendesainkan sistem tersebut untuk mereka. Konsultan IT tersebut berinisiatif untuk
menggunakan metode Multi Layer Perceptron (MLP) untuk membuat sistem tersebut.
Jika spesifikasi sistem yang ingin dibuat harus memiliki kemampuan untuk mengenali
karakter huruf kapital A-Z, serta angka 0-9, maka bantulah konsultan IT tersebut mendesain
MLP untuk keperluan ini.
a. Jika setiap huruf direpresentasikan ke dalam gambar berukuran 10x8 pixel seperti contoh
di bawah ini:

Maka berapa banyak neuron pada input layer yang akan Anda gunakan? Jelaskan cara
Anda mengekstrak fitur dari gambar tersebut sebagai input untuk MLP! Gunakan
gambar/ilustrasi jika perlu.
b. Berapa banyak jumlah neuron pada output layer yang akan Anda gunakan agar sistem
mampu memenuhi keinginan perusahaan? Jelaskan alasan Anda!
c. Berapa banyak jumlah neuron pada hidden layer yang akan Anda gunakan pada MLP?
Jelaskan alasan Anda secara ilmiah!
d. Jika diberikan input berupa gambar huruf ‘Z’ seperti di atas, dan semua bobot MLP
(termasuk bias) diset = 1, maka hitunglah keluaran pada output layer dari MLP yang
Anda desain tersebut! Uraikan alur perhitungannya secara rinci!

Penyelesaian:
a. Banyak neuron pada input layer yang akan digunakan ada 80 neuron. Cara mengekstrak
fitur dari gambar tersebut sebagai input untuk MLP adalah sebagai berikut:
Warna hitam = 0
Warna putih = 1
 Huruf Z diberi target 1
Huruf H diberi target 0
Huruf G diberi target -1

0 0 0 0 0 0 0 0
0 1 1 1 1 1 1 0
0 0 0 0 0 0 1 0
0 0 0 0 0 1 0 0
0 0 0 0 1 0 0 0
0 0 0 1 0 0 0 0
0 0 1 0 0 0 0 0
0 1 0 0 0 0 0 0
0 1 1 1 1 1 1 0
0 0 0 0 0 0 0 0

Masukan Target
x1 x2 x3 x4 x5 x6 x7 x7 x8 x9 x10 x11 x12 x13 x14 x15 … x80 t
0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 … 0 1
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 … 0 0
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 … 0 -1

b. Jumlah neuron pada output layer yang akan digunakan agar sistem mampu memenuhi
keinginan perusahaan adalah 36 neuron karena spesifikasi sistem yang ingin dibuat harus
memiliki kemampuan untuk mengenali karakter huruf kapital A-Z, serta angka 0-9.