Matakuliah
Tahun
Versi
: H0434/Jaringan Syaraf Tiruan
: 2005
:1
Pertemuan 4
PERCEPTRON LEARNING RULE
1
Learning Outcomes
Pada akhir pertemuan ini, diharapkan mahasiswa
akan mampu :
• Menguraikan proses learning pada
Perceptron
2
Outline Materi
• Penurunan Learning Rule
• Penyatuan Learning Rule
• Training Perceptron
3
UNIFIED LEARNING RULE
definisikan satu variabel baru yaitu perceptron
error e yang dinyatakan sbb :
e=t–a
dimana :
Jika e = 1 , maka 1wbaru = 1wlama + p
(1)
Jika e = -1 , maka 1wbaru = 1wlama - p
(2)
Jika e = 0 , maka 1wbaru = 1wlama
(3)
baru = wlama + e.p
w
1
1
bbaru = blama + e
4
MULTIPLE NEURON PERCEPTRON
Update baris ke i dari matriks bobot :
baru = wlama + e .p
w
i
i
i
Update elemen ke i dari vektor bias :
bibaru = bilama + ei
DALAM BENTUK MATRIKS
Wbaru = Wlama + e.pT
bbaru = blama + ei
5
PERCEPTRON TRAINING RULE TEST
Problem : Klasifikasi Jeruk dan Apel
1
p1 =  1
 
 1
t1 = 0 bukan -1
1
1
p2 =  
1
t2 = 1
6
Pilih bobot dan bias secara random :
Misalnya : w = [ 0.5 -1
-0.5 ] dan b = 0.5
Masukkan input p1 ke jaringan :
a = hardlim( wp1 + b )


1


a  hardlim  0.5  1  0.5  1  0.5 




 1


a  hardlim (2.5)  1
Hitung error : e = t1 – a = 0 – 1 = -1
7
Update bobot :
wbaru = wlama + e.p1T
wbaru = [ 0.5
-1 -0.5 ] + ( -1 ) [ 1 -1 -1 ]
wbaru = [ -0.5 0 0.5 ]
Update bias :
bbaru = blama + e = 0.5 + ( -1 ) = -0.5
Berikutnya gunakan input p2 :
8
a = hardlim( wp2 + b )


1




a = hardlim   0.5 0 0.5 1  (0.5)   hardlim (0.5)  0
 





1
 


Hitung error : e = t2 – a = 1 – 0 = 1
Update bobot :
wbaru = wlama + e.p2T
wbaru = [ -0.5 0 0.5 ] + ( 1 ) [ 1 1 -1 ] = [ 0.5
Update bias :
bbaru = blama + e = -0.5 + 1 = 0.5
1 -0.5 ]
9
Iterasi ketiga kembali ke input p1 :
a = hardlim( wp1 + b )


1




a = hardlim  0.5 1  0.5  1  0.5   hardlim (0.5)  1
 





1
 


Hitung error : e = t1 – a = 0 – 1 = -1
Update bobot :
wbaru = wlama + e.p1T
wbaru = [ 0.5 1 -0.5 ] + ( -1 ) [ 1 -1 -1 ] = [ -0.5 2 0.5 ]
Update bias :
bbaru = blama + e = 0.5 + ( -1 ) = -0.5
10
Iterasi ketiga kembali ke input p2 :
a = hardlim( wp2 + b )
a = hardlim


1




  0.5 2 0.5  1   (0.5)   hardlim (0.5)  1





1
 


a = 1  hasil ini sudah sesuai dengan target output
Hitung error : e = t2 – a = 1 – 1 = 0
Karena tidak ada error, maka :
wbaru = wlama
wbaru = [ -0.5
2 0.5 ]
bbaru = blama = -0.5
11
Iterasi ke 5 kembali ke input p1 :
a = hardlim( wp1 + b )


1




a = hardlim   0.5 2 0.5  1  0.5   hardlim (3.5)  0





1
 


a = 0  sudah sesuai dengan target output
Hitung error : e = t1 – a = 0 – 0 = 0
Jadi bobot dan bias yang diperoleh :
w = [ -0.5 2 0.5 ]
b = -0.5
Buktikan sendiri dengan bobot dan bias diatas
bahwa jeruk dan apel dapat diklasifikasi dengan benar !!!12