Matakuliah
Tahun
Versi
: H0434/Jaringan Syaraf Tiruan
: 2005
:1
Pertemuan 3
JARINGAN PERCEPTRON
1
Learning Outcomes
Pada akhir pertemuan ini, diharapkan mahasiswa
akan mampu :
• Menjelaskan konsep Perceptron dan
contoh aplikasinya.
2
Outline Materi
• Supervised Learning Rule
• Unsupervised Learning Rule
• Arsitektur Perceptron
3
PERCEPTRON LEARNING RULE
Problem : Bagaimanakah untuk menentukan
bobot w dan bias b untuk jaringan perceptron
dengan banyak input dimana tidak mungkin
untuk menggambarkan boundary secara grafis ?
Learning Rule : Prosedur untuk memodifikasi
bobot dan bias dari jaringan
4
PROSEDUR
Prosedur : Algoritma pembelajaran/pelatihan
( training algorithm ).
Tujuan Learning : agar input dari network dapat
menghasilkan output yang diinginkan
5
3 TIPE LEARNING RULE
Supervised Learning : Memerlukan pasangan
setiap input dengan outputnya.
Unsupervised Learning : Bobot dan bias
dimodifikasi sebagai respon dari input jaringan
saja, target output tidak disediakan.
Reinforcement Learning : Mirip dengan
supervised learning, algoritma diberikan grade
atau score bukannya output yang benar.
6
ARSITEKTUR PERCEPTRON
p
Rx1
SxR
1
R
a
W
+
n
Sx1
f
Sx1
b
Sx1
7
BOBOT JARINGAN
 w1,1
w
 2,1
W .

 .
 w S,1

w1.2
w 2, 2
.
.
w S, 2
. . w 1,R   1 w T 


T
. . w 2,R   2 w 
. .
.  . 

 
. .
.   . 
. . w S,R   S w T 
 w i.1 
w 
 i,2 
Vektor baris ke i dari matriks W : i w   . 


 . 
 w i ,R 


8
TEST PROBLEM

 
 

1
 1
0
p1    , t1  1 p 2    , t 2  0 p3    , t 3  0
 2
2
 1

 
 

p1
w1,1

p2
n
a
w1,2
No bias neuron
TEST NETWORK
9
GRAFIK INPUT
p2
2
1
p1
3
10
Pilih bobot 1wTsecara random misalnya :
T = [ 1 -0.8 ]
w
1
Masukkan input p1 ke jaringan dan output yang
dihasilkan :
a = hardlim ( 1wT . p1 )

1 
a  hardlim  1  0.8     hardlim (0.6)  0
 2 

Target output t1 = 1
11
Perlu diputar berlawanan
arah dengan jarum jam
p2
2
Decision boundary :
n = wp + b = 0
1
n = w1,1 .p1 + w1,2 . P2 = 0
p1 – 0.8 p2 = 0
n <1
p1
1W
3
T
n і 1
5p1 – 4p2 = 0
Jika p2 = 1  p1 = 0.8
Jika p1 =1  p2 = 1.25
12
Jika t = 1 dan a = 0 maka 1wbaru = 1wlama + p
1
2
2






baru
lama
  
= 1w
+ p1 = 

1w
 0.8 1.2 1.2

1 
a  hardlim  2 1.2     hardlim (4.4)  1
 2 

Hasil output a sesuai dengan target output = 1
13
p2
2
1
T
W
1
n <1
p1
3
n і 1
Decision boundary :
n=0
wp + b = 0
w1,1 .p1 + w1,2 . p2 = 0
2p1 + 1.2 p2 = 0
p2 = 1  p1 = - 1.2/2
p1 = - 0.6
14
a = hardlim ( 1wT . p2 )

 1 
a  hardlim  2 1.2     hardlim (0.4)  1
 2 

Input p2 diklasifikasi tidak benar karena t2 = 0
Jika t = 0 dan a = 1 , maka 1wbaru = 1wlama – p
 2   1  3 
baru = wlama - p =


w




 0.8
1
1
1
1
.
2
2
    


 1 
a  hardlim  3  0.8     hardlim (4.6)  0
 2 

Input p2 diklasifikasi dengan benar karena t2 = 0 15
p2
Perlu diputar berlawanan
arah dengan jarum jam
Decision boundary :
2
1
n=0
wp + b = 0
n <1
T
W
1
3
n і 1
p1
w1,1 .p1 + w1,2 . p2 = 0
3p1 – 0.8 p2 = 0
Jika p2 = 2  p1 = 1.6/3
p1 = 8/15
16
a = hardlim ( 1wT . p3 )

 0 
a  hardlim  3  0.8     hardlim (0.8)  1
 1 

Input p3 diklasifikasi tidak benar karena t3 = 0
Jika t = 0 dan a = 1 , maka 1wbaru = 1wlama –
p
 3  0  3
baru
lama
= 1w
- p3 = 
    
1w
 0.8  1
0.2

 0 
a  hardlim  3 0.2     hardlim (0.2)  0
 1 

17
p2
1
2
n <1
T
W
1
3
n і 1
p1
Decision boundary :
n=0
wp + b = 0
w1,1 .p1 + w1,2 . p2 = 0
3p1 + 0.2 p2 = 0
Jika p2 = 1 
p1 = -0.2/3 = -1/15
Jika semua input sudah diklasifikasi dengan benar,
tidak perlu ada perubahan pada bobot sehingga
digunakan aturan sbb :
18
Jika t = a , maka 1wbaru = 1wlama