CONTOH JARINGAN SARAF TIRUAN PERCEPTRON

LAPORAN JARINGAN SARAF TIRUAN

DALAM PENYELESAIAN PERCEPTRON UNTUK MENGENALI LOGIKA “ATAU”

DENGAN MENGGUNAKAN MASUKAN BINER DAN KELUARAN BIPOLAR, DAN

GUNAKAN Α = 1 DAN THRESHOLD (Ø) = 0,2

Disusun Oleh:

Naufal Syauqi (11622045)

Athok Al Azizi (11622018)

UNIVERSITAS MUHAMMADIYAH GRESIK

JURUSAN TEKNIK PRODI INFORMATIKA

2013

A.    Pengertian

Jaringan Syaraf  Tiruan adalah Merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

Neuron, sel syaraf yang akan mentransformasikan informasi yang diterima melalui sambungan keluaranya menuju neuron-neuron yang lain.

Pada jaringan syaraf, hubungan antar neuron-neuron dikenal dengan nama bobot.

Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers)

Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari input sampai kelapisan output melalui lapisan yang lainnya, yang dikenal dengan lapisan tersembunyi (hidden layer), tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan.

B.    SEJARAH PERCEPTRON

Tahun 1940-an, para ilmuwan menemukan bahwa psikologi otak sama dengan mode pemrosesan yang dilakukan oleh komputer

Tahun 1943, McCulloch dan Pitts merancang model formal yang pertamakali sebagai perhitungan dasar neuron.

Tahun 1954, Farley dan Clark mensetup model-model untuk relasiadaptif stimulus-respon dalam jaringan random.

Tahun 1958, Rosen blatt mengembangkan konsep dasar tentang perception untuk klasifikasi pola.

Tahun 1960, Widrow dan Hoff mengembangkan ADALINE  yang dilatih dengan pembelajaran Least Mean Square (LMS).

Tahun 1974, Werbos memperkenalkan algoritma backpropagation

Tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan probabilistik

Tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi untuk pemetaan.

Tahun 1982, Grossberg mengembangkan teori jaringan.

Tahun 1982, Hopfield  mengembangkan jaringan syaraf reccurent.

Tahun 1985, algoritma pembelajaran dengan mensin Boltzmann.

Tahun1987, Kosko mengembangkan jaringan Adaptive Bidirectional  Associative Memory (BAM)

Tahun 1988, dikembangkan fungsiradial bebas.

C.     ARSITEKTUR  JARINGAN SYARAF

Faktor terpenting untuk menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya.

Ada beberapa arsitektur jaringan syaraf, antar alain :

A .Jaringan dengan lapisan tunggal (single layer net)

Hanya memiliki satu lapisan dengan bobot-bobot terhubung Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output  tanpa harus melalui lapisan tersembunyi.

b. Jaringan dengan banyak lapisan (multilayer net)

-Memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output

-Ada lapisan yang berbobot yang terletak antara 2 lapisan yang bersebelahan.

D.    FUNGSI  AKTIFASI

a. FungsiUndakBiner(Hard Limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak untuk menkonversi input dari suatu variabel yang bernilai kontinu ke suatu output biner Fungsihard limit dirumuskan,

                                      0    jika  x ≤ 0                 

y=f(net)=                                      

                                        1 jika x > 0 

             

b. FungsiUndakBiner(Threshold)

            Fungsi undak biner dengan menggunakan nilai ambang sering disebut fungsi nilai ambang atau fungsi Heaviside. Dirumuskan:

                                     0    jika x < Ø

                               

            Y=f(net)=

                                     1  jika x ≥ Ø

c. Fungsi Bipolar

Hampir sama dengan  fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1

            Fungsi Symetric Hard Limit dirumuskan sebagai :

                                       1 jika x > 0

Y=f(x)=                0 jika x = 0

                                       -1 jika x < 0

            d.fungsi bipolar dengan treshold

            sama dengan fungsi bipolar akan tetapi  angka “0” diganti dengan nilai threshold

E.     METODE PADA JST

ADA  7 METAODE DALAM JARINGAN SYARAF  TIRUAN

1.      HebbRule

            Metode pembelajaran yang paling sederhana, pembelajaran dilakukan dengan cara memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung dan keduanya dalam kondisi“on”pada saat yang sama, maka bobot antara keduanya dinaikkan

2.      Perception

            Biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisahan secara linear.

            Algoritma yang digunakan akan mengatur parameter-parameter bebasnya melalui proses pembelajaran.

3.      Delta Rule

            Mengubah bobot yang menghubungkan antara jaringan input keunit output dengan nilai target.

4.      Backpropagation

            Algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perception dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi.

5.      HetroassociativeMemory

            Jaringan yang bobot-bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimapan kumpulan pola.

6.      Bidirectional Associative Memory

            Model jaringan syaraf yang memiliki2 lapisan dan terhubung penuh dari satu lapisan kelapisan lainnya. Pada jaringan ini dimungkinkan adanya hubungan timbal balik antara lapisan input dan lapisan output.

7.      Learning vector Quantization

            Suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil hanya tergantung pada jarak antara vektor-vektor input.

KUMPULAN RUMUS DAN ISTILAH

NET=Y_IN=  b + Σxi Wi

∆W = α t Xi

BOBOT BARU (W) = ∆W  + W lama

Untuk y=f(net) sesuai aktifasi yang diinginkan

KETERANGAN

W=BOBOT

T =TARGET

∆W = SELISIH BOBOT

Xi = INPUTAN

NET = KELUARAN

F(net) = RESPON UNIT KELUARAN

α = LAJU PEMAHAMAN

CONTOH SOAL

Buatlah perceptron untuk mengenali logika “atau” dengan menggunakan masukan biner dan keluaran bipolar, dan gunakan α = 1 dan threshold (Ø) = 0,2  !!!!!!

EPOCH 1
MASUKAN			TARGET		y=	PERUBAHAN BOBOT			BOBOT BARU
X1	X2	1	t	NET	f(NET)	∆W1	∆W2	∆b	W1	W2	b
INISIALISASI									0	0	0
1	1	1	1	0	0	1	1	1	1	1	1
1	0	1	1	2	1	1	0	1	2	1	2
0	1	1	1	3	1	0	1	1	2	2	3
0	0	1	-1	3	1	0	0	-1	2	2	2
EPOCH 2
MASUKAN			TARGET		y=	PERUBAHAN BOBOT			BOBOT BARU
X1	X2	1	t	NET	f(NET)	∆W1	∆W2	∆b	W1	W2	b
INISIALISASI									2	2	2
1	1	1	1	6	1	0	0	0	2	2	2
1	0	1	1	4	1	0	0	0	2	2	2
0	1	1	1	4	1	0	0	0	2	2	2
0	0	1	-1	2	1	0	0	-1	2	2	1
EPOCH 3
MASUKAN			TARGET		y=	PERUBAHAN BOBOT			BOBOT BARU
X1	X2	1	t	NET	f(NET)	∆W1	∆W2	∆b	W1	W2	b
INISIALISASI									2	2	1
1	1	1	1	5	1	0	0	0	2	2	1
1	0	1	1	3	1	0	0	0	2	2	1
0	1	1	1	3	1	0	0	0	2	2	1
0	0	1	-1	1	1	0	0	-1	2	2	0
EPOCH 4
MASUKAN			TARGET		y=	PERUBAHAN BOBOT			BOBOT BARU
X1	X2	1	t	NET	f(NET)	∆W1	∆W2	∆b	W1	W2	b
INISIALISASI									2	2	0
1	1	1	1	4	1	0	0	0	2	2	0
1	0	1	1	2	1	0	0	0	2	2	0
0	1	1	1	2	1	0	0	0	2	2	0
0	0	1	-1	0	0	0	0	-1	2	2	-1
EPOCH 5
MASUKAN			TARGET		y=	PERUBAHAN BOBOT			BOBOT BARU
X1	X2	1	t	NET	f(NET)	∆W1	∆W2	∆b	W1	W2	b
INISIALISASI									2	2	-1
1	1	1	1	3	1	0	0	0	2	2	-1
1	0	1	1	1	1	0	0	0	2	2	-1
0	1	1	1	1	1	0	0	0	2	2	-1
0	0	1	-1	-1	-1	0	0	0	2	2	-1
EPOCH 6
MASUKAN			TARGET		y=	PERUBAHAN BOBOT			BOBOT BARU
X1	X2	1	t	NET	f(NET)	∆W1	∆W2	∆b	W1	W2	b
INISIALISASI									2	2	-1
1	1	1	1	3	1	0	0	0	2	2	-1
1	0	1	1	1	1	0	0	0	2	2	-1
0	1	1	1	1	1	0	0	0	2	2	-1
0	0	1	-1	-1	-1	0	0	0	2	2	-1

Kesimpulan

1.      Metode perceptron dapat digunakan untuk mengenali logika “Atau / Or” dengan dengan menggunakan masukan biner dan keluaran bipolar, dan gunakan α = 1 dan threshold (ø) = 0,2

2.      Terdapat 6 Epoch atau Iterasi hingga diperoleh output yang tepat sesuai targaet dan batas kesalahan 0

           

Socializer Widget By Blogger Yard

SOCIALIZE IT →

Tweet

FOLLOW US →

SHARE IT →