neural network

Perceptron merupakan salah satu bentuk jaringan sederhana, perceptron biasanya digunakan untuk mengklasifikasikan suatu pola tipe tertentu yang sering dikenal dengan pemisahan secara linear.Pada dasarnya perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang dapat diatur. Dapat digunakan dalam kasus untuk mengenali fungsi logika “dan” dengan masukan dan keluaran bipolar. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalu proses pembelajaran. Fungsi aktivasinya dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan negative. Perceptron memiliki kemampuan lebih baik daripada algoritma pembelajaran Hebb. Perceptron memiliki karakteristik sebagai berikut : • Jaringan lapis tunggal • Fungsi aktivasi : Fungsi tanga bipolar dengan suatu nilai batas tetap (q) • Apabila terjadi kesalahan untuk pola masukan pelatihan bobot akan disesuaikan dengan formula : • T adalah nilai target +1 atau -1 Perceptron merupakan pengembangan aturan Hebb dimana terdapat tiga bagian yaitu unit sensor (dengan aktivasi biner), unit-asociator (dengan aktivasi biner), dan unit respon (dengan aktivasi bipolar). Bobot dari unit sensor tetap, sedangkan unit asosiator berubah. Fungsi aktivasinya Nilai bobot unit-asociator diperbaharui selama masih ada error berdasarkan, a adalah laju pembelajaran dan t adalah target keluaran (±1). Anggota kelas berespon 1 sedangkan bukan anggota kelas terespon -1. Dan fungsi aktifasi yang digunakan adalah step function ( undak biner ) untuk mengkonversi suatu variable yang bernilai kontinue ke suatu output biner ( 0 atau 1 ), seperti pada gambar berikut ini : PEMBELAJARAN Langkah 0 : inisialisasi nilai bobot, bias dan laju pembelajaran a (0< a<=1) wi = 0 (untuk i=1 to n) Langkah 1 : selama syarat berhentinya iterasi tidak terpenuhi, lakukan langkah 2 s/d 6 Langkah 2 : pada setiap pasang pelatihan (s,t) lakukan langkah 3 s/d 5 Langkah 3 : tentukan nilai-nilai aktivasi untuk setiap unit masukan xi =si Langkah 4 : hitung tanggapan untuk unit-keluaran Langkah 5 : jika masih ada galat, perbaharui bobot dan bias Langkah 6 : uji kondisi henti. Jika masih ada bobot yang berubah pada langkah 2, kembali ke langkah 1, jika tidak kembali ke langkah 2 PENGUJIAN Langkah 0 : inisialisasi bobot (digunakan nilai bobot yang diperoleh dari algoritme pelatihan) Langkah 1 : untuk setiap vektor x, lakukan langkah 2-4 Langkah 2 : set nilai aktivasi dari unit masukan, xi = si; i=1,….,n Langkah 3 : Hitung total masukan ke unit keluaran Langkah 4. Gunakan fungsi aktivasi