output.
X1
Tujuan dari jaringan adalah untuk
mengklasifikasikan masing-masing pola . W0
.
. Wn
.
Xn
ALGORITMA (1)
• Algoritma berlaku untuk input bipolar atau input biner dengan nilai target
bipolar dan nilai threshold yang tetap serta nilai bias yang dapat diatur.
• Langkah 1 :
Inisialisasi bobot dan bias (untuk sederhananya, set bobos dan bias dengan
angka 0).
Set learning rate α (0 < α ≤ 1) (untuk sederhananya, set α dengan angka 1)
ALGORITMA (2)
Langkah 2:
Selama kondisi berhenti bernilai salah, lakukan langkah berikut :
Untuk masing-masing pasangan s dan t, kerjakan :
a : set aktivasi dari unit input : xi = si
b : hitung respon untuk unit output :
1 if y _ in
n
y _ in b xi wi f ( y _ in) 0 if y _ in
i 1 1 if y _ in
ALGORITMA (3)
c. perbaiki bobot dan bias, jika terjadi kesalahan pada pola ini :
jika y ≠ t, maka
• ∆w=α*t*xi
• wi (baru) = wi (lama) + w dengan w = * xi * t
• b(baru) =b(lama) + b dengan b = * t
jika tidak, maka
• wi (baru) = wi (lama)
• b(baru) = b(lama)
d. jika masih ada bobot yang berubah maka kondisi dilanjutkan,
jika tidak maka proses berhenti.
SOAL
• Buat model Perceptron untuk mengenail fungsi logika “AND” dengan
masukan bipolar dan keluaran bipolar.
• Untuk inisialisasi, gunakan bobot dan bias awal = 0, a=1, dan threshold = 0.
JAWAB
• Pola hubungan masukan-target :
x1 x2 t
1 1 1 1
1 -1 -1
X1
-1 1 -1
W0
.
-1 -1 -1
. W1
n
y _ in b xi wi
.
Xi Wi y
i 1
.
1 if y _ in . Wn
.
f ( y _ in) 0 if y _ in
1 if y _ in Xn
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b
x1 w1
n a
f
w2
x2
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b
x1 x2 x3 t
1 1 1 1
1 1 0 -1
1 0 1 -1
0 1 1 -1
JAWAB
Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b