2.4 Proses Pembelajaran
Ada 2 jenis proses pembelajaran, yaitu: 1.
Pembelajaran terawasi supervised learning Metode pembelajaran pada jaringan saraf disebut terawasi jika output yang
diharapkan telah diketahui sebelumnya.
2. Pembelajaran tidak terawasi Unsupervised learning
Pada metode pembelajaran tak terawasi tidak memerlukan target output. Selama proses pembelajaran, nilai bobot disusun dalam satu range tertentu
tergantung pada nilai input yang diberikan.
2.5 Perceptron
Tahun 1940-an, para ilmuan menemukan bahwa psikologi otak sama dengan model pemrosesan yang dilakukan oleh komputer. Tahun 1943, McCullochdan Pitts
merancang model formal yang pertama kali sebagai perhitungan dasar neuron. Tahun 1954, Farleydan Clark mensetup model-model untuk relasi adaptif stimulus-respon
dalam jaringan random. Tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perception untuk klasifikasi pola. Tahun 1960, Widrowdan Hoff
mengembangkan ADALINE yang dilatih dengan pembelajaran Least Mean Square LMS. Tahun 1974, Werbos memperkenalkan algoritma backpropagation. Tahun
1975, Littledan Shaw menggambarkan jaringan saraf dengan probabilistik. Tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan saraf yang tidak
terawasi untuk pemetaan. Tahun 1982, Grossberg mengembangkan teori jaringan. Tahun 1982, Hopfield mengembangkan jaringan saraf reccurent. Tahun 1985,
Universitas Sumatera Utara
algoritma pembelajaran dengan mensin Boltzmann. Tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory BAM. Tahun
1988, dikembangkan fungsi radial bebas.
Perceptron terdiri dari suatu input dan output. Perceptron merupakan bentuk paling sederhana dari jaringan saraf tiruan 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 diasumsikan bernilai 1 jika jumlah bobot inputnya lebih besar dari pada threshold.
Nilai threshold pada fungsi aktivasi adalah non-negatif Siggit Pamungkas, 2003.
2.6 Mengenal MATLAB