MODEL PERCEPTRON

Yogiek Indra Kurniawan

Jaringan Syaraf Tiruan
yogiek@unsoed.ac.id
Universitas Jenderal Soedirman
 MODEL PERCEPTRON
 Metode pelatihan Perceptron lebih kuat dari metode Hebb terutama
dalam iterasi yang dapat membuat output dari bobot menjadi konvergen.
 Model Perceptron pertama kali dikemukakan oleh Rosenblatt (1962) dan
Minsky dan Papert (1969) .
 Aktivasi yang digunakan dalam pereptron adalah modifikasi aktivasi
bipolar dengan threshold, yaitu -1, 0, 1.
 1 if y _ in  

f ( y _ in)  0 if    y _ in  
  1 if y _ in  

 ARSITEKTUR PERCEPTRON
 Arsitektur Perceptron sederhana adalah
terdiri dari beberapa input dan sebuah 1

output.
X1
 Tujuan dari jaringan adalah untuk
mengklasifikasikan masing-masing pola . W0

input dan pola output baik yang bernilai . W1

+1 atau yang bernilai -1. .

Xi Wi y

.
. 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 x2 1 t Net a=f(n) w1 w2 b w1 w2 b

Epoch ke – 1 0 0 0
1 1 1 1 0 0 1 1 1 1 1 1
1 -1 1 -1 1 1 -1 1 -1 0 2 0
-1 1 1 -1 2 1 1 -1 -1 1 1 -1
-1 -1 1 -1 -3 -1 0 0 0 1 1 -1

Masukan Target Output Perubahan bobot Bobot baru

w = xi t b = wbaru = wlama + w
t bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b W1 w2 b

Epoch ke – 2 1 1 -1
1 1 1 1 1 1 0 0 0 1 1 -1
1 -1 1 -1 -1 -1 0 0 0 1 1 -1
-1 1 1 -1 -1 -1 0 0 0 1 1 -1
-1 -1 1 -1 -3 -1 0 0 0 1 1 -1
 SOAL
• Buat jaringan Perceptron untuk menyatakan fungsi logika AND dengan menggunakan
masukan biner dan keluaran bipolar. Pilih  = 1 dan  = 0,2
 JAWAB
• Pola hubungan masukan-target :
x1 x2 t
1 1 1
1 0 -1
0 1 -1
0 0 -1

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 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 1 0 0 0
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1

Masukan Target Output Perubahan bobot Bobot baru

w = xi t b = wbaru = wlama + w
t bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 2
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 3
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1

Masukan Target Output Perubahan bobot Bobot baru

w = xi t b = wbaru = wlama + w
t bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 4
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 5
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1

Masukan Target Output Perubahan bobot Bobot baru

w = xi t b = wbaru = wlama + w
t bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 6
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 7
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1

Masukan Target Output Perubahan bobot Bobot baru

w = xi t b = wbaru = wlama + w
t bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 8
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1
 Masukan Target Output Perubahan bobot Bobot baru
w = xi t b = t wbaru = wlama + w
bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 9
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1

Masukan Target Output Perubahan bobot Bobot baru

w = xi t b = wbaru = wlama + w
t bbaru = blama + b

x1 x2 1 t n a=f(n) w1 w2 b w1 w2 b

Epoch ke - 10
1 1 1 1
1 0 1 -1
0 1 1 -1
0 0 1 -1
 SOAL
• Buat jaringan Perceptron untuk mengenali pola pada tabel di bawah ini. Gunakan  = 1 dan
 = 0,1.

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

x1 x2 x3 1 t a w1 w2 w3 b w1 w2 w3 b

Inisialisasi 0 0 0 0
1 1 1 1 1
1 1 0 1 -1
1 0 1 1 -1
0 1 1 1 -1
 SOAL
• Gunakan Model Perceptron untuk mengenali pola Huruf A, B dan C berikut
ini
 JAWAB
• Vektor input ada 6 pola, dengan setiap pola 9*7 = 63 komponen.
• Tanda “#” diberi nilai “+1”, tanda “.” diberi nilai “-1”.
• Untuk mengenali pola huruf A.
• Tentukan nilai bobot awal, laju a, serta threshold

Pola Masukan Target

Pola 1 1
Pola 2 -1
Pola 3 -1
Pola 4 1
Pola 5 -1
Pola 6 -1
 JAWAB
• Vektor input ada 6 pola, dengan setiap pola 9*7 = 63 komponen.
• Tanda “#” diberi nilai “+1”, tanda “.” diberi nilai “-1”.
• Untuk mengenali pola huruf B.
• Tentukan nilai bobot awal, laju a, serta threshold
Pola Masukan Target
Pola 1 -1
Pola 2 1
Pola 3 -1
Pola 4 -1
Pola 5 1
Pola 6 -1
 JAWAB
• Vektor input ada 6 pola, dengan setiap pola 9*7 = 63 komponen.
• Tanda “#” diberi nilai “+1”, tanda “.” diberi nilai “-1”.
• Untuk mengenali pola huruf C.
• Tentukan nilai bobot awal, laju a, serta threshold
Pola Masukan Target
Pola 1 -1
Pola 2 -1
Pola 3 1
Pola 4 -1
Pola 5 -1
Pola 6 1
THANK YOU