COVER

1. Pengertian Perceptron

Model jaringan perceptron ditemukan Rosenblatt (1962) dan Minsky-Papert (1969).

Model tersebut merupakan model yang memiliki aplikasi dan pelatihan yang paling baik
pada era tersebut.

Arsitetktur jaringan perceptron mirip dengan arsitektur jaringan Hebb.

Gambar 1. Arsitektur Jaringan Perceptron

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 (Ѳ) ditentukan oleh :

f(net) =

2. Perceptron Manual

Adapun algoritma dasar dalam perceptron adalah sebagai berikut :

1. Inisialisasi semua bobot (wi) dan bias (b), umumnya wi = b = 0.

Tentukan laju pemahaman (α). Untuk penyederhanaan, biasanya α=1.

2. Selama ada elemen vektor masukan (s) yang respon unit keluarannya (y) tidak sama
dengan target (t), lakukan :

a. Set aktivasi unit masukan xi = si ( i = 1, …, n )

b. Hitung respon unit keluaran : net = ∑i xi wi + b

y = f (net) =

3. Perbaiki bobot pola yang mengandung kesalahan ( y ≠ t ) menurut persamaan :

Wi (baru) = Wi (lama) + ∆w (i=1, …,n) dengan ∆w = α t xi

b (baru) = b (lama) + ∆b dengan ∆b = α t

Ada beberapa hal yang perlu diperhatikan dalam algoritma tersebut :

 a. Iterasi dilakukan terus menerus hingga semua pola memiliki keluaran jaringan yang
sama dengan targetnya ( y = t ).

b. Pada langkah 2(c), perubahan bobot hanya dilakukan pola yang mengandung
kesalahan (y ≠ t). Perubahan tersebut merupakan hasil kali unit masukan dengan
target dan laju pemahaman (∆w = xi t α). Perubahan bobot hanya akan terjadi kalau
unit masukan ≠ 0.

c. Kecepatan iterasi ditentukan pula oleh α (dengan 0 ≤ α ≤ 1) yang dipakai. Semakin

besar harga α, maka akan semakin sedikit iterasi yang diperlukan. Namun apabila
harga α terlalu besar, maka akan merusak pola yang sudah benar sehingga
pemahaman menjadi lambat.

3. Contoh Soal Perceptron Manual

Soal :

Buatlah perceptron untuk mengenali fungsi logika AND dengan masukan dan keluaran
bipolar, inisialisasi awal bobot = 0, bias = 1, α = 1 dan threshold = 0.

Penyelesaian :

 Tabel masukan dan target berupa bipolar untuk logika AND.

Masukan Target

X1 X2 1 T

1 1 1 1

1 -1 1 -1

-1 1 1 -1

-1 -1 1 -1

Tabel 1. Masukan dan Target Bipolar Logika AND

 Untuk threshold = 0, maka fungsi aktivasinya menjadi :

y = f (net)

 Iterasi untuk seluruh pola disebut epoch. Adapun tabel epoch 1 yaitu :
 Masukan Target net y Perubahan Bobot Bobot Baru

( X1 X2 1) t 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 -1 1) -1 1 1 ( -1 1 -1 ) (0 2 0)

( -1 1 1) -1 2 1 (1 -1 -1 ) (1 1 -1 )

( -1 -1 1) -1 -3 -1 (0 0 0) (1 1 -1 )

Ternyata tidak semua pola f(net) = target maka iterasi dilanjutkan ke epoch ke 2. Semua
pola kembali dimasukkan dalam jaringan dengan menggunakan bobot terakhir yang
diperoleh sebagai bobot awalnya.

 Tabel epoch 2 yaitu :

Masukan Target net y Perubahan Bobot Bobot Baru

( X1 X2 1) t f(net) ( ∆w1 ∆w2 ∆b ) ( w1 w2 b)

Bobot dari epoch 1 (1 1 -1 )

(1 1 1) 1 1 1 (0 0 0) (1 1 -1 )

(1 -1 1) -1 -1 -1 (0 0 0) (1 1 -1 )

( -1 1 1) -1 -1 -1 (0 0 0) (1 1 -1 )

( -1 -1 1) -1 -3 -1 (0 0 0) (1 1 -1 )

Dalam iterasi epoch 2, ternyata semua pola f(net) = target, maka jaringan sudah mengenal
semua pola dan iterasi dihentikan.

4. Perceptron dalam Matlab

Model perceptron dalam Matlab sedikit berbeda dengan penjelasan perceptron

sebelumnya. Dalam Matlab, default sistem yang dipakai adalah sebagai berikut :

 Masukan dan target yang dipakai berbentuk bebas ( tidak harus biner / bipolar )
  Threshold yang dipakai adalah 0

 Fungsi aktivasi memiliki output berupa biner ( bukan -1, 0, 1 seperti penjelasan
sebelumnya), sehingga :

f (net)

 Tidak menggunakan laju pemahaman (α). Bobot diubah berdasarkan erroor yang
terbentuk dari selisih antara target yang diinginkan dengan keluaran jaringan ( f
(net) ). Perubahan bobot bukan merupakan hasil kali antara target dengan
masukan.

4.1 Menghitung f(net)/a dengan sintak “sim”

- Rumus “sim”

- Tabel 13.2

4.2 Menghitung Perceptron dengan sintak “learnp”

- And, Or, XAnd,XOr (input+output)

4.3 Menghitung Perceptron dengan sintak “train”

- And, Or, XAnd,XOr (input+output+grafik)

DAFTAR PUSTAKA