1. Uraian Materi
McCulloch & Pitts dikenal sebagai jaringan syarat tiruan pertama pada tahun 1943. ide-ide dari
Mc.Culloch dan Pitts ini masih banyak digunakan hingga saat ini. Aktivasi neuronnya berupa biner, satu
atau nol.
pada jaringan dalam kegiatan belajar ini, digunakan fungsi aktivasi step untuk unit Y adalah
net XiWi
dimana net adalah penjumlahan dari input sinyal (input x di kalikan bobot w) dan θ adalah threshold
untuk Y.
Neurons dalam jaringan McCulloch-Pitts terhubung dengan path berbobot secara langsung. (directed
weighted paths). semua neuron memiliki threshold yang tetap, jika total input sinyal net lebih besar atau
sama dengan threshold, maka neuron bernilai 1.
Tabel 0.1 Berikut merupakan tabel kebenaran untuk fungsi logika AND. Gambar 0.2 menunjukkan model
neuron McCulloch-Pitts untuk mengenali pola fungsi logika “AND” dengan fungsi aktivasi step
digunakan bobot w1 dan w2 = 1, dan diperlukan threshold = 2.
X
1 1
X Threshold=2
2
1
2. Latihan
a. Berikut adalah program python yang menghandle fungsi logika AND dengan model neuron
McCulloch-Pitt. Buat program berikut dan simpan dengan nama MCPand.py
def step(net):
if (net<tres):
out=0
else:
out=1
return out
for i in range(4):
net=x1[i]*w1+x2[i]*w2
print(step(net))
Perhatikan output program di atas, apakah outputnya sesuai dengan tabel kebenaran untuk
fungsi logika And?
3. Rangkuman
McCulloch & Pitts adalah jaringan syarat tiruan pertama.
Aktivasi neuron McCulloch-Pitt berupa biner, satu atau nol.
Model neuron McCulloch-Pitts menentukan bobot w dan nilai ambang θ secara analitik (dengan
cara coba-coba)
4. Pustaka
Fausett, L. V. (1994). Fundamentals of neural networks: architectures, algorithms, and applications (Vol.
3). Englewood Cliffs: prentice-Hall.
Kegiatan Belajar-2: JST Single Layer Perceptron
• Tahun 1958, Frank Rosenblatt memperkenalkan algoritma pelatihan untuk simple ANN :
perceptron. Perceptron merupakan neural network yang paling sederhana yang terdiri dari
single neuron dengan bobot yang dapat di update dan hard limiter (fungsi aktivasi). Operasi
perceptron didasarkan pada model neuron McCulloch-Pitt. Model terdiri dari linear combiner
yang diikuti hard limiter (fungsi aktivasi)
• Perceptron merupakan Sinonim untuk Single-Layer, Feed-Forward Network
-1
x1 1
x2
contoh lain: untuk kasus fungsi And dan OR, dapat terpisah secara linear
sedangkan untuk kasis fungsi XOR, tidak dapat dipisah secara linear, sehingga kasus XOR ini tidak dapat
diselesaikan dengan single layer perceptron
4. Jika error e(p) positif, maka naikkan output perceptron Y(p), tapi jika negatif, turunkan Y(P)
melalui bobotnya
Dimana p=1,2,3, …
5. Dan adalah learning rate, konstanta positif kurang dari 1.
Algoritma Perceptron
• Langkah 1 : inisialisasi
– Beri bobot awal w1, w2, …, wn dan threshold dengan angka acak antar [-0.5 0.5]
– Jika error e(p) positif, naikkan output perceptron Y(p). jika negatif, kurangi Y(P)
• Langkah 2 : Aktivasi
– Aktifkan perceptron dengan memberikan input x1(p), x2(p), .., xn(p) dan output yang
diinginkan Yd(p). Hitung output perceptron pada iterasi p=1
– Dimana n adalah jumlah input perceptron, dan step adalah fungsi aktivasi step.
• Langkah 3 : Update Bobot
– Update bobot perceptron
Latihan 1. Perceptron
download data nilai_mhs1.csv
gunakan data tersebut untuk code python berikut :
gimana? akurasinya nggak terlalu oke kan? masih ingat adakah langkah yang terlewat?
sebagian kalian mungkin ingat, data tsb belum di praproses.
mari kita terapkan normalisasi data sebelum dimodelkan :
adakah perubahan?