Professional Documents
Culture Documents
54 187 1 PB
54 187 1 PB
Juni 2011
ABSTRACT
This paper focuses on recognizing the logic function "and" with
two input variables through programming perceptron. Perceptron is a
simple form of artificial neural networks, perceptron is usually used to
produce a certain type of pattern is often known by the separation in a
linear fashion. The first simulations, carried out the programming
perceptron to recognize the logic function "and" 2 input variables with
binary inputs (0 or 1) and the target output is binary (0 or 1), simulation
results show to get the performance = 0 which means all the patterns
recognized correctly 9 epoch iteration process is needed. The second
simulation, programming perceptron to recognize the logic functions
'and' two input variables with bipolar inputs (-1 or 1), the results of
simulations required four epoch iteration process. The third simulation,
programming perceptron to recognize the logic function and 2 input
variables with binary input, but the initial value of weights and the initial
bias = 0, simulation result show to get to work = 0 8 epoch iteration
process is required. From the simulation results concluded that the
programming perceptron to recognize the logic function "and" 2 input
variables using a binary input (0 or 1) a longer iteration process (9
epoch) compared with bipolar inputs (-1 or 1) with a 4 epoch, the value
initial weights and biases affect the initial value of the iteration process
is faster iteration process (8 epoch) for the initial value of weights and
the initial value bias = 0 compared with the initial value of weights (1.1) and the initial value bias = 1 with 9 epoch.
37
1. PENDAHULUAN
Jaringan syaraf tiruan (JST)
adalah
sistem
pemrosesan
informasi
yang
memiliki
karakteristik
mirip
dengan
jaringan syaraf biologi. JST
mensimulasikan abstrak dari
system syaraf dalam otak
manusia
yang
mengandung
sekelompok
neuro
yang
terinterkoneksi satu sama lain.
Pemodelan
neuron
tiruan
(artificial
neuron)
yang
membangun jaringan ini, pertama
kali
diperkenalkan
oleh
McCulloch dan Pitts pada tahun
1943 yang menyimpulkan bahwa
kombinasi
beberapa
neuron
sederhana menjadi sebuah system
neural
akan
meningkatkan
komputasi (Jong, 2005).
Pada tahun 1960, Widrow
dan
Hoff
mengembangkan
perceptron
dengan
memperkenalkan aturan pelatihan
jaringan. Perceptron merupakan
salah satu bentuk jaringan
sederhana, perceptron biasanya
digunakan untuk menghasilkan
suatu pola tipe tertentu yang
sering dikenal dengan pemisahan
secara linear. Pada dasarnya
perceptron pada jaringan syaraf
dengan satu lapisan memiliki
bobot yang dapat diatur. Dapat
digunakan dalam kasus salah
satunya untuk mengenali fungsi
logika AND.
Mengenali Fungsi Logika. . .
September 2011
suatu
bobot
keterhubungan.
Arsitektur Perceptron dengan 2
unit (ditambah 1 unit bias) di
lapisan input dan 1 unit di lapisan
output pada Gambar 1. Unit bias
merupakan satu unit masukan di
suatu lapisan yang nilai inputnya
selalu 1.
Juni 2011
Keterangan Gambar 1.
X1, X2, Xn : n unit input
Y : unit output
b : bias (=1)
W1, W2, Wn : bobot penghubung
dari unit input ke unit output
, biasanya 1
2. Selama ada elemen vektor input
yang respon unit outputnya
tidak sama dengan target,
lakukan
a. Set aktivasi input
dengan s adalah vector input
b. Hitung respon unit output:
Algoritma Perceptron
Proses belajar Perceptron,
proses
perubahan
bobot
pembelajarannya
ditambahkan
laju pembelajaran (learning rate)
yang
berfungsi
untuk
mengontrol perubahan bobot
dengan . .
X1
b
W1
W2
X2
Wn
Xn
1,
0, ! !
1, "
c. Perbaiki bobot pola yang
mengandung kesalahan
#
menurut persamaan:
39
DAN
September 2011
function perceptron
%Pelatihan perceptron
%Perceptron mengenali pola 'dan'
dengan 2 variabel input
%Dengan masukan biner (0 atau 1)
target biner ( 0 atau 1 )
clc
net = newp ([0 1 ; 0 1],1);
net.IW {1,1}= [-1 1];%nilai bobot awal
net.b {1} = [1];%nilai bias awal
p = [ [1;1] [1;0] [0;1] [0;0]
];%kombinasi masukan
t = [1 0 0 0];%target
net = train (net, p, t);%pelatihan
perceptron
disp ('nilai bobot terakhir')
disp (net.IW {1,1})
disp ('nilai bias terakhir')
disp (net.b {1})
HASIL PROGRAM:
TRAINC, Epoch 0/100
TRAINC, Epoch 9/100
TRAINC, Performance goal met.
nilai bobot terakhir
1 2
nilai bias terakhir
-3
40
'( $
'( $
'( $
'( $
Juni 2011
Pemograman
Perceptron
mengenali Fungsi logika dan
2 variabel
dengan
masukan bipolar (-1 atau 1)
target biner ( 0 atau 1 )
function perceptron
%Pelatihan perceptron
%Perceptron mengenali pola 'dan'
dengan 2 variabel input
%Masukan bipolar , target biner
%Mengetahui bobot akhir yang
diperoleh
clc
net = newp ([-1 1 ; -1 1],1);%data
bipolar
net.IW {1,1}= [-1 1];%bobot awal
bentuk bipolar
net.b {1} = [1];
p = [ [1;1] [1;-1] [-1;1] [-1;-1] ];
t = [1 0 0 0];
net = train (net,p,t);
disp ('nilai bobot terakhir')
disp (net.IW {1,1})
disp ('nilai bias terakhir')
disp (net.b {1})
HASIL PROGRAM
TRAINC, Epoch 0/100
TRAINC, Epoch 4/100
TRAINC, Performance goal met.
nilai bobot terakhir
1 1
41
September 2011
Pola
,
,
karena
nilai
, maka
sehingga menghasilkan
b. Pola
,
karena nilai
, maka
sehingga menghasilkan
c. Pola
Gambar 3. Grafik proses iterasi NN
Fungsi Logika AND 2
input dengan input bipolar.
Gambar 3 menunjukkan
bahwa pada epoch ke-1 dan ke-22
unjuk kerja 0,5 berarti ada 2 pola
yang dikenali dengan benar,
sedangkan epoch ke-33 unjuk
kerja naik menjadi 0,75 yang
artinya hanya 1 pola yang
dikenali dengan benar dan pada
epoch ke-44 unjuk kerja 0 semua
pola dikenali dengan benar.
Hasil program Matlab dari
pemrograman
emrograman perceptron fungsi
logika
and
2
input
menggunakan input bipolar dan
target biner didapatkan proses
iterasi 2 epoch dengan bobot
terakhir w1 = 1 w2 = 1, bias = -11,
sedangkan bobot awal w1 = -11 ;
w2 = 1 ; bias awal = 1.. Jika
dilakukan pengecekan analisis
Mengenali Fungsi Logika. . .
,
karena nilai
, maka
sehingga menghasilkan
d. Pola
,
karena nilai
, maka
sehingga menghasilkan
Dari
analisis
perhitungan
menunjukkan dengan bobot w1=1
dan w2=1, bias = b= -1 dengan
input bipolar (-1 atau 1) dengan
target biner (0 atau 1) diperoleh
hasil perhitungan sesuai dengan
fungsi logika and pada epoch ke4.
Pemograman
Perceptron
untuk Fungsi Logika AND 2 input
dengan menggunakan biner (0 atau
1) dan bipolar (-1 atau 1) dengan
42
Juni 2011
1 2
nilai bias terakhir
-3
Gambar 4 menunjukkan
proses iterasi diselesaikan dalam 8
epoch dengan nilai awal bobot
w1=0, w2=0 dan nilai bias b=0 ,
jumlah iterasi ini lebih kecil
dibanding dengan hasil simulasi
fungsi logika and 2 input dengan
kondisi awal bobot awal w1 = -1 ; w2
= 1 ; bias awal = 1 (Gambar 2) dengan
demikian kondisi awal bobot dan
kondisi awal bias mempengaruhi
jumlah iterasi dengan hasil nilai akhir
bobot dan nilai akhir bias adalah
sama. Hasil program menunjukkan
saat epoch ke-8 unjuk kerja = 0 berarti
semua pola dikenali dengan benar.
43
4. KESIMPULAN
Dapat disimpul disini bahwa:
1. Pemograman Perceptron untuk
mengenali fungsi logika and
2 variabel input dengan input
biner (0 atau 1) membutuhkan
proses iterasi yang lebih lama
(9
epoch)
dibandingkan
dengan input bipolar (-1 atau
1) yang membutuhkan 4
epoch.
2. Kondisi awal bobot dan
kondisi
awal
bias
mempengaruhi jumlah iterasi
dalam
pemograman
Perceptron, untuk mengenali
fungsi logika and 2 variabel
input dengan masukan biner ,
kondisi awal bobot w1=0,
w2=0 dan nilai bias b=0
jumlah
iterasi
untuk
memperoleh unjuk kerja = 0
diperlukan 8 epoch, sedangkan
dengan nilai awal bobot w1 = -
September 2011
1 ; w2 = 1 ; bias awal = 1
memerlukan 9 epoch untuk
mencapai unjuk kerja = 0.
5. DAFTAR PUSTAKA
Andi.P.,2004, Pengenalan
Karakter
Alfabet
Menggunakan
Jaringan
Saraf Tiruan., Jurusan
Teknik Elektro Fakultas
Teknik
Universitas
Diponegoro, Semarang.
Benyamin.K.,Ponix.I,
2002
Penggunaan Algoritma
Genetik Untuk Optimasi
Mengenali Fungsi Logika. . .
44