1 / 15

JST PERCEPTRON

JST PERCEPTRON. Metode pelatihan Perceptron lebih kuat dari metode Hebb terutama dalam iterasi yang dapat membuat output dari bobot menjadi konvergen. Perbedaan tipe Perceptron pertama kali dikemukakan oleh Rosenblatt (1962) dan Minsky (1969) .dan Papert (1988).

penn
Download Presentation

JST PERCEPTRON

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. JSTPERCEPTRON

  2. Metode pelatihan Perceptron lebih kuat dari metode Hebb terutama dalam iterasi yang dapat membuat output dari bobot menjadi konvergen. • Perbedaan tipe Perceptron pertama kali dikemukakan oleh Rosenblatt (1962) dan Minsky (1969) .dan Papert (1988). • Aktivasi yang digunakan dalam pereptron adalah aktivasi bipolar, yaitu -1, 0, 1.

  3. ARSITEKTUR PERCEPTRON • Arsitektur Perceptron sederhana adalah terdiri dari beberapa input dan sebuah output. • Tujuan dari jaringan adalah untuk mengklasifikasikan masing-masing pola input dan pola output baik yang bernilai +1 atau yang bernilai -1.

  4. ALGORITMA • Algoritma berlaku untuk input bipolar atau input biner dengan nilai target bipolar dan nilai threshold yang tetap serta nilai bias yang dapat diatur. • Langkah 1 : Inisialisasi bobot dan bias (untuk sederhananya, set bobos dan bias dengan angka 0). Set learning rate α (0 < α ≤ 1) (untuk sederhananya, set α dengan angka 1)

  5. Langkah 2: Selama kondisi berhenti bernilai salah, lakukan langkah berikut : Untuk masing-masing pasangan s dan t, kerjakan : a : set aktivasi dari unit input : xi = si b : hitung respon untuk unit output :

  6. perbaikibobotdan bias, jikaterjadikesalahanpadapolaini: jikay ≠ t, maka • ∆w=α*t*xi • wi(baru) = wi (lama) + w denganw =  * xi * t • b(baru) =b(lama) +  b dengan b =  * t jikatidak, maka • wi(baru) = wi (lama) • b(baru) = b(lama) • jikamasihadabobot yang berubahmakakondisidilanjutkan, jikatidakmakaprosesberhenti.

  7. Contoh Soal 2.1 Buat jaringan Perceptron untuk menyatakan fungsi logika AND dengan menggunakan masukan biner dan keluaran bipolar. Pilih  = 1 dan  = 0,2 Jawab : Pola hubungan masukan-target : x1 w1 n a  f w2 x2 b 1

  8. Iterasi akan di hentikan pada epoch ke 10 karena fnet sudah sama dengan target nya

  9. Latihan Soal 2.2 Buat jaringan Perceptron untuk mengenali pola pada tabel di bawah ini. Gunaka  = 1 dan  = 0,1. Jawab :

More Related