JARINGAN

SYARAF TIRUAN
(PERCEPTRON)
UMI MAHDIYAH
PERCEPTRON

• Perceptron adalah bentuk paling sederhana dari JST yang

digunakan untuk mengkasifikasikan pola khusus yang biasa
disebut linearly separable, yaitu pola- pola yang terletak pada
sisi yang berlawanan pada suatu bidang. Pada dasarnya
Perceptron terdiri dari neuron tunggal dengan bobot-bobot
sinaptik dan threshold yang dapat diatur, Perceptron terbatas
hanya untuk mengklasifikasikan dua kelas saja (Suyanto, 2014)
• Perceptron adalah algoritma pada supervised learning untuk
melakukan klasifikasi biner (dua jenis).
 • Algoritma Pelatihan Perceptron:
• 1. Inisialisasi semua bobot dan bias (biasanya = 0)
• Set learning rate:  (0 <   1). untuk penyederhanaan set
sama dengan 1.
• Set nilai threshold (θ) untuk fungsi aktivasi
• 2. Untuk setiap pasangan pembelajaran s-t, kerjakan:
• a) set aktivasi unit input xi = si;
• b) Hitung respon untuk unit output:
Perceptron 𝑛𝑒 𝑡 = 𝑏+ ∑ 𝑥 𝑖 𝑤 𝑖
𝑖

• c) Masukkan kedalam fungsi aktivasi :

{
1, 𝑗𝑖𝑘𝑎𝑛𝑒𝑡>𝜃
𝑦 (𝑛𝑒𝑡)= 0 , 𝑗𝑖𝑘𝑎− 𝜃 ≤ 𝑛𝑒𝑡 ≤ 𝜃
−1 , 𝑗𝑖𝑘𝑎𝑛𝑒𝑡<− 𝜃
 • d) Bandingkan nilai output jaringan y dengan target t
• jika y ≠ t , lakukan perubahan bobot dan bias dengan cara :

• jika y = t , tidak ada perubahan bobot dan bias:

•

Perceptron •

• 3. Lakukan iterasi terus-menerus hingga semua pola memiliki output

jaringan yang sama dengan targetnya. Artinya bila semua output
jaringan sama dengan target maka jaringan telah mengenali pola dengan
baik dan iterasi dihentikan.
CONTOH 1
 Masukan Target  pi wi Output Perubahan bobot Bobot baru
+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 1 0 0 0
1 1 1 1
1 -1 1 -1
-1 1 1 -1
-1 -1 1 -1

Masukan Target  pi wi Output Perubahan bobot Bobot baru

+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 2 1 1 0
1 1 1 1
1 -1 1 -1
-1 1 1 -1
-1 -1 1 -1
 Perubahan bobot Bobot baru
Masukan Target S xi w i + b Output Dw = axi t wbaru = wlama + Dw
Db = at bbaru = blama + Db
x1 x2 a t net y=f(n) Dw1 Dw2 Db w1 w2 b epoch 1
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
1 1 -1
1 1 1 1 1 1 0 0 0 1 1 -1 epoch 2
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
TERIMAKAS
IH
CONTOH 2
Buat jaringan Perceptron untuk menyatakan fungsi logika
AND dengan menggunakan masukan biner dan keluaran
bipolar. Pilih  = 1 dan  = 0,2

Jawab :
Pola hubungan x1 x2 t
masukan-target : 0 0 -1
0 1 -1
1 0 -1
1 1 1

X1

net y
f
X2  1, jika y _ in  0,2

y   0, jika  0,2  y _ in  0,2
b  1, jika y _ in  0,2

 Masukan Target  pi wi Output Perubahan bobot Bobot baru
+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 1 0 0 0
0 0 1 -1 0 0 0 0 -1 0 0 -1
0 1 1 -1 -1 -1 0 0 -1
1 0 1 -1 -1 -1 0 0 -1
1 1 1 1 -1 -1 1 1 1 1 1 0

Masukan Target  pi wi Output Perubahan bobot Bobot baru

+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 2 1 1 0
0 0 1 -1 0 0 0 0 -1 1 1 -1
0 1 1 -1 0 0 0 -1 -1 1 0 -2
1 0 1 -1 -1 -1 1 0 -2
1 1 1 1 -1 -1 1 1 1 2 1 -1
 Masukan Target  pi wi Output Perubahan bobot Bobot baru
+b w = pi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke – 3 2 1 -1
0 0 1 -1 -1 -1 2 1 -1
0 1 1 -1 0 0 0 -1 -1 2 0 -2
1 0 1 -1 0 0 -1 0 -1 1 0 -3
1 1 1 1 -2 -1 1 1 1 2 1 -2

Masukan Target  pi wi Output Perubahan bobot Bobot baru

+b w = pi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 4
0 0 1 -1 -2 -1 2 1 -2
0 1 1 -1 -1 -1 2 1 -2
1 0 1 -1 0 0 -1 0 -1 1 1 -3
1 1 1 1 -1 -1 1 1 1 2 2 -2
 Masukan Target  pi wi Output Perubahan bobot Bobot baru
+b w = pi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 5 2 2 -2
0 0 1 -1 -2 -1 2 2 -2
0 1 1 -1 0 0 0 -1 -1 2 1 -3
1 0 1 -1 -1 -1 2 1 -3
1 1 1 1 0 0 1 1 1 3 2 -2

Masukan Target  pi wi Output Perubahan bobot Bobot baru

+b w = pi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 6 3 2 -2
0 0 1 -1 -2 -1 3 2 -2
0 1 1 -1 0 0 0 -1 -1 3 1 -3
1 0 1 -1 0 0 -1 0 -1 2 1 -4
1 1 1 1 -1 -1 1 1 1 3 2 -3
 Masukan Target  pi wi Output Perubahan bobot Bobot baru
+b w = pi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 7 3 2 -3
0 0 1 -1 -3 -1 3 2 -3
0 1 1 -1 -1 -1 3 2 -3
1 0 1 -1 0 0 -1 0 -1 2 2 -4
1 1 1 1 0 0 1 1 1 3 3 -3
Masukan Target  pi wi Output Perubahan bobot Bobot baru
+b w = pi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 8
0 0 1 -1 -3 -1 3 3 -3
0 1 1 -1 0 0 0 -1 -1 3 2 -4
1 0 1 -1 -1 -1 3 2 -4
1 1 1 1 1 1 3 2 -4
 Masukan Target  pi wi Output Perubahan bobot Bobot baru
+b w = pi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2  t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 9 3 2 -4
0 0 1 -1 -4 -1 3 2 -4
0 1 1 -1 -2 -1 3 2 -4
1 0 1 -1 -1 -1 3 2 -4
1 1 1 1 1 1 3 2 -4
Pengenalan Pola Huruf

Θ=0.5, α=1