Professional Documents
Culture Documents
Tentukan solusi fungsi logika AND dengan input biner dan target bipolar yang dilatih dengan algoritma perceptron. Input x2 1 0 1 0 Target T 1 -1 -1 -1
x1 1 1 0 0
b 1 1 1 1
Untuk nilai learning rate () = 0.1 , 0.2 , 0.3, 0.5 dan nilai = 0.3. Jelaskan hubungan antara learning rate () dengan jumlah iterasi yang diperlukan. Jawaban : Hasil Testing terhadap pola input dengan memakai bobot dan bias yang didapat dalam proses pelatihan : Learning rate () = 0.1 dan = 0.3 w1 = 0.7 , w2 = 0.8, dan b = -1.2; Jumlah Iterasi = 33 Input Bobot Bias net b x w Output Target x1 x2 w1 w2 b y=f(net) 1 1 0.7 0.8 -1.2 0.3 1 1 1 0 0.7 0.8 -1.2 -0.5 -1 -1 0 1 0.7 0.8 -1.2 -0.4 -1 -1 0 0 0.7 0.8 -1.2 -1.2 -1 -1
i i i
Tabel 1.1 Hasil Testing logika AND algoritma perceptron dengan learning rate () = 0.1 dan = 0.3
Gambar 1.1 Hasil Pelatihan logika AND algoritma perceptron dengan learning rate () = 0.1 dan = 0.3
Hasil Testing terhadap pola input dengan memakai bobot dan bias yang
didapat dalam proses pelatihan : Learning rate () = 0.2 dan = 0.3 w1 = 0.8 , w2 = 1.0, dan b = -1.4 ; Jumlah Iterasi = 20 Input Bobot Bias net b x w Output x1 x2 w1 w2 b y=f(net) 1 1 0.8 1.0 -1.4 0.4 1 1 0 0.8 1.0 -1.4 -0.6 -1 0 1 0.8 1.0 -1.4 -0.4 -1 0 0 0.8 1.0 -1.4 -1.4 -1
i i i
target 1 -1 -1 -1
Tabel 1.2 Hasil Testing logika AND algoritma perceptron dengan learning rate () = 0.2 dan = 0.3
Gambar 1.2 Hasil Pelatihan logika AND algoritma perceptron dengan learning rate () = 0.2 dan = 0.3
Hasil Testing terhadap pola input dengan memakai bobot dan bias yang
didapat dalam proses pelatihan : Learning rate () = 0.3 dan = 0.3 w1 = 0.9 , w2 = 1.2, dan b = -1.7 ; Jumlah Iterasi = 16 Input Bobot Bias net b x w Output x1 x2 w1 w2 b y=f(net) 1 1 0.9 1.2 -1.7 0.4 1 1 0 0.9 1.2 -1.7 -0.8 -1 0 1 0.9 1.2 -1.7 -0.5 -1 0 0 0.9 1.2 -1.7 -1.7 -1
i i i
Target 1 -1 -1 -1
Tabel 1.3 Hasil Testing logika AND algoritma perceptron dengan learning rate () = 0.3 dan = 0.3
Gambar 1.3 Hasil Pelatihan logika AND algoritma perceptron dengan learning rate () = 0.3 dan = 0.3
Hasil Testing terhadap pola input dengan memakai bobot dan bias yang
didapat dalam proses pelatihan : Learning rate () = 0.5 dan = 0.3 w1 = 1.0 , w2 = 1.5, dan b = -2.0 ; Jumlah Iterasi = 12 Input Bobot Bias net b x w Output x1 x2 w1 w2 b y=f(net) 1 1 1.0 1.5 -2.0 0.5 1 1 0 1.0 1.5 -2.0 -1.0 -1 0 1 1.0 1.5 -2.0 -0.5 -1 0 0 1.0 1.5 -2.0 -2.0 -1
i i i
Target 1 -1 -1 -1
Tabel 1.4 Hasil Testing logika AND algoritma perceptron dengan learning rate () = 0.5 dan = 0.3
Gambar 1.4 Hasil Pelatihan logika AND algoritma perceptron dengan learning rate () = 0.5 dan = 0.3
2.Tentukan solusi fungsi logika AND dengan input bipolar dan target bipolar yang dilatih dengan algoritma perceptron. Input x1 x2 1 1 1 -1 -1 1 -1 -1 Target t 1 -1 -1 -1
b 1 1 1 1
Untuk nilai learning rate = 0.7 dan nilai = 0.3. Berapakah jumlah iterasi yang diperlukan bagi jst tersebut? Bandingkan dengan jst yang dilatih dengan input biner dan target bipolar!
Jawaban :
Hasil Testing terhadap pola input dengan memakai bobot dan bias yang
didapat dalam proses pelatihan : Learning rate () = 0.7 dan = 0.3 w1 = 0.7 , w2 = 0.7, dan b = -1.1 ; Jumlah Iterasi = 3 Input Bobot Bias net b x w Output Target x1 x2 w1 w2 b y=f(net) 1 1 0.7 0.7 -1.1 0.3 1 1 1 -1 0.7 0.7 -1.1 -1.1 -1 -1 -1 1 0.7 0.7 -1.1 -1.1 -1 -1 -1 -1 0.7 0.7 -1.1 -2.5 -1 -1
i i i
Tabel 2.1 Hasil Testing logika AND algoritma perceptron dengan input bipolar dan target bipolar learning rate () = 0.7 dan = 0.3
Gambar 2.1 Hasil Pelatihan logika AND algoritma perceptron dengan input bipolar dan target bipolar learning rate () = 0.7 dan = 0.3
Gambar 2.2 Hasil Pelatihan logika AND algoritma perceptron dengan dengan input biner dan target bipolar learning rate () = 0.7 dan = 0.3
Perbandingan antara jst yang dilatih dengan input bipolar dan target bipolar dengan jst yang dilatih dengan input biner dan target bipolar yakni pada Jumlah Iterasi yang dibutuhkan, pada input bipolar dan target bipolar dibutuhkan 3 Iterasi sedangkan pada dengan input biner dan target bipolar dibutuhkan iterasi yang lebih banyak yakni sebanyak 12 Iterasi. 3.Gunakan JST Perceptron untuk mengklasifikasi pola input 2 dimensi dari 2 buah huruf yaitu : X dan O. Pola dari huruf tsb dinyatakan dgn : #. . . # . ###. . #. #. #. . . # . . #. . #. . . # . #. #. #. . . # #. . . # . ###.
Pola 1 Pola 2
Dalam hal ini kita menganggap jaringan hanya mempunyai 1 output yaitu kelas X(untuk huruf X) dan kelas bukan X (untuk huruf O). Misal kelas X kita beri nilai target 1 sedangkan kelas bukan X kita beri target 1. Sedangkan setiap lambang # kita beri nilai 1 dan lambang . kita beri nilai 1. Gunakanlah = 0.7 dan nilai = 0.3
x20 -1 1
Target 1 -1
Bobot dan bias mula-mula : Wi = 0 dimana i = 1,2,,25 b awal = 0, sehingga : Hasil Testing terhadap pola input dengan memakai bobot dan bias yang didapat dalam proses pelatihan : Learning rate () = 0.7 dan = 0.3; Jumlah Iterasi = 2
w1 0.7 w15 -0.7 w2 -0.7 w16 -0.7 w3 -0.7 w17 0.7 w4 -0.7 w18 -0.7 w5 0.7 w19 0.7 w6 -0.7 w7 0.7 w8 -0.7 w9 0.7 w10 -0.7 w23 -0.7 w11 -0.7 w24 -0.7 w12 -0.7 w25 0.7 w13 0.7 B 0.7 w14 -0.7
w20 -0.7
w21 0.7
w22 -0.7
net b xi wi
i
18.2 -11.2
Output y=f(net) 1 -1
Target 1 -1
Pola X O
x1 1 -1
x2 -1 1
x3 -1 1
x4 1 1
x5 1 -1
x6 -1 1
x7 1 -1
x8 -1 -1
x9 1 -1
x10 -1 1
x11 -1 1
x12 -1 -1
x13 1 -1
x14 -1 -1
x15 -1 1
Pola X O
x16 -1 -1
x17 -1 -1
x18 -1 -1
x19 1 -1
x20 -1 1
x21 1 -1
x22 -1 1
x23 -1 1
x24 -1 1
x25 1 1
Target 1 -1
Bobot dan bias mula-mula : Wi = 0 dimana i = 1,2,,25 b awal = 0, sehingga : Hasil Testing terhadap pola input dengan memakai bobot dan bias yang didapat dalam proses pelatihan : Learning rate () = 0.7 dan = 0.3 ; Jumlah Iterasi = 2
w1 0.7 w15 -0.7 w2 -0.7 w16 -0.7 w3 -0.7 w17 0.7 w4 -0.7 w18 -0.7 w5 0.7 w19 0.7 w6 -0.7 w7 0.7 w8 -0.7 w9 0.7 w10 -0.7 w23 -0.7 w11 -0.7 w24 -0.7 w12 -0.7 w25 0.7 w13 0.7 b 0.7 w14 -0.7
w20 -0.7
w21 0.7
w22 -0.7
net b xi wi
i
15.2 -8.4
Output y=f(net) 1 -1
Target 1 -1
Dari hasil pelatihan dapat disimpulkan bahwa hasil testing sesuai dengan target walaupun ada beberapa nilai input yang diganggu/diganti. Hal ini berarti bahwa algoritma perceptron dapat membedakan hasil input pola meskipun salah satu atau lebih input pola diganggu.