3. Fungsi identitas fx = x
Fungsi identitas sering dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil bukan hanya pada range [0,1] atau [-1,1]
2.5 Perceptron
Model jaringan perceptron ditemukan oleh Rosenblatt1962 dan Minsky – Papert 1969. Model tersebut merupakan model yang memiliki aplikasi dan pelatihan yang
paling baik pada era tersebut.
2.5.1 Arsitektur Jaringan Perceptron
Arsitektur jaringan perceptron ditunjukkan pada gambar 2.6 di bawah ini
Gambar 2.6 Arsitektur Jaringan Syaraf Tiruan metode Perceptron[3]
Jaringan terdiri dari beberapa unit masukan ditambah sebuah bias, dan memiliki sebuah unit keluaran. Hanya saja fungsi aktivasi bukan merupakan fungsi
biner atau bipolar, tetapi memiliki kemungkinan nilai -1, 0, atau 1. Untuk suatu harga threshold
� yang ditentukan: fnet =
� 1
���� ��� � ���� − � ≤ ��� ≤ �
−1 ���� ��� −�
Secara geometris, fungsi aktivasi membentuk 2 garis sekaligus, masing-masing dengan persamaan:
w
1
x
1
+ w
2
x
2
+ … + w
n
x
n
w + b =
� dan
1
x
1
+ w
2
x
2
+ … + w
n
x
n
+ b = −�
2.5.2 Pelatihan Perceptron
Misalkan: s adalah vektor masukan dan t adalah target keluaran
� adalah laju pemahaman learning rate yang ditentukan � adalah threshold yang ditentukan
Algoritma pelatihan perceptron adalah sebagai berikut :
Langkah 0. Inisialisasi bobot-bobot dan bias.
Tentukan angka pembelajaran α 0 α ≤ 1.
Tentukan nilai ambang θ 0 θ ≤ 1
Langkah 1 Ulangi
Langkah 2. Untuk setiap pasangan latihan s : t, lakukan
Langkah 3. Tentukan aktivasi unit-unit input :
x
i
= s Langkah 4.
Hitung respons dari unit output:
i
y
in
y = �
1 jika y_in θ
���� − � ≤ �_�� ≤ � −1 ���� �
��
−� = b +
∑ �� ∗ ��
�
Langkah 5. Updatelah bobot-bobot dan bias jika
error terjadi pada pola y Jika y
≠ t maka w
i
baru = w
i
lama + α t x bbaru = blama + α t
i
Selain itu w
i
baru = w
i
bbaru = blama lama
Langkah 6. Sampai kondisi berhenti terpenuhi.
Kondisi berhenti adalah kondisi dimana tidak terdapat bobot yang berubah pada
langkah 2. Keterangan :
s : sensor t : target
x
i :
s unit input ke-i
i
w : unit sensor ke-i
i
b : bias : bobot ke-i
y : unit respons output α : angka pembelajaran
θ : nilai ambang
i : 1,…,n dimana n adalah banyaknya unit input
Perceptron menggunakan fungsi aktivasi atau fungsi transfer f hard limit. Fungsi ini mempunyai dua jenis output yaitu 0 dan 1. Gambar 2.7 berikut ini merupakan gambar
dan symbol dari fungsi aktivasi hard limit.
Gambar 2.7 Fungsi aktivasi hard limit
2.6 QR Code