30
Gambar 2.8 Jaringan Syaraf dengan Lapisan Kompetitif Sumber : Kusumadewi, 2003, 214
2.4 Metode Perceptron
Perceptron terdiri suatu input dan output. Perceptron merupakan bentuk paling sederhana dari JST yang biasanya digunakan untuk pengklasifikasian jenis
pola khusus yang biasa disebut linearly separable pola-pola yang terletak pada sisi yang berlawanan pada suatu bidang. Fungsi aktivasi yang digunakan
algoritma Perceptron adalah fungsi hard limiting. Output unit akan bernilai 1 bila jumlah bobot input lebih besar daripada threshold. Nilai threshold pada fungsi
aktivasi adalah non-negatif. Desiani, 2006, 178 Algoritma Perceptron dapat dituliskan sebagai berikut:
1. Inisialisasi Bobot Set semua bobot dan threshold
Ө untuk bilangan acak kecil atau sama dengan nilai 0.
2. Kalkulasi aktivasi
31
a. Tingkatkan aktivasi suatu nilai input dihitung oleh contoh penyajian untuk jaringan.
b. Untuk setiap set data pola yang akan dilatih, tingkat aktivasi output Y
k
, k=1,2,3,...m, dimana m = banyaknya lapisan output suatu unit output dihitung dengan:
Y
k
= F
h
n
i ki
i
W X
1
+ Ө
dengan W
ki
adalah bobot, X
i
i=1,2,3,...n, dimana n = banyaknya lapisan input adalah bit input dari pola yang akan dilatih,
Ө adalah threshold, dan F
h
adalah fungsi hard limit, sebagai berikut: 1, jika a
Ө
0, jika a
Ө
3. Pelatihan Bobot a. Mengatur bobot dengan:
W
ki
t + 1 = W
ki
t – ΔW
ki
dengan W
ki
adalah bobot dari input unit i ke k pada waktu t atau iterasi ke t
dan ΔW
ki
adalah bobot yang diatur. b. Perubahan bobot dihitung dengan aturan delta:
ΔW
ki
= ŋδ
k
X
i
dengan ŋ adalah tingkat pembelajaran percobaan independen 0 ŋ
1 dan δ
k
adalah error pada unit k, yaitu: δ
j
=T
k
- Y
k
dengan T
k
merupakan aktivasi output yang diinginkan dan Y
k
adalah aktivasi output yang sebenarnya pada unit output k. F
h
a
32
4. Ulangi iterasi hingga mencapai konvergensi atau tidak ada bobot yang berubah pada langkah 3. Desiani, 2006, 178-179
Arsitektur jaringan Perceptron dapat dilihat pada gambar 2.9 berikut.
Gambar 2.9 Arsitektur Jaringan Perceptron
Sumber : Puspitaningrum, 2006, 30
Algoritma Perceptron ini bisa digunakan baik untuk input biner 0 1 maupun bipolar -1 1, dengan
Ө tertentu. Pada algoritma tersebut, bobot-bobot yang diperbaiki hanyalah bobot-bobot yang berhubungan dengan input yang aktif
X
i
≠ 0 dan bobot-bobot yang tidak menghasilkan nilai Y yang benar. Kusumadewi, 2003, 225
2.5 Metode Backpropagation
Kategori