Langsung ke konten utama

Algoritma Perceptron (Rosenblatt, 1958)

Perceptron (Rosenblatt, 1958)

      Selamat malam pemirsa, mumpung agak longgar saya mau nambahin coretan lagi di blog ini. Ngelanjutin tentang Neural network pada tulisan saya sebelumnya. Cekidot...

Pengertian

        Perceptron merupakan salah satu jenis ANN supervised. Perceptron pertama kali diperkenalkan oleh Frank Rosenblatt pada tahun 1958. Perceptron adalah jenis ANN untuk layer tunggal dan mempunyai performa yang baik pada klasifikasi data linear. Untuk klasifikasi data yang tidak linear, perceptron mempunyai performa yang kurang baik.Berikut merupakan arsitektur perceptron.


Gambar arsitektur perceptron

       Dari gambar di atas,x1 dan x2 adalah input. Input di sini adalah parameter atau fitur data yang akan di gunakan untuk data latih maupun data uji. Sedangkan w1 dan w2 adalah bobot. dan y adalah output.

       Perceptron menggunakan fungsi aktivasi untuk mendapatkan output. Untuk penjelasan fungsi aktivasi bisa agan baca di tulisan saya sebelumnya tentang Neural network.

Algoritma

  1. merupakan data latih,x adalah data latih dan y adalah target yang di inginkan, inisialisasi bobot awal w ,learning rate dan maksimal epoh
  2. hitung v dengan rumus v = (x*w)
  3. hitung output dengan fungsi aktivasi output = sign(v)
  4. jika output = target, maka di lanjutkan menghitung data kedua
  5. jika output != target,maka lanjut ke langkah ke enam
  6. hitung error,error = target - output
  7. hitung bobot baru dengan rumus, bobot baru = bobot lama + (learning rate*error*input)
  8. kembali ke langkah kedua untuk menghitung data selanjutnya dengan bobot baru
  9. berhenti jika bobot tidak berubah untuk semua data atau iterasi maksimal epoh terpenuhi

sementara cukup untuk kali ini, untuk contoh perhitungan manualnya kita lanjutkan pada kesempatan yang akan datang.salam...
Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Contoh Perhitungan Algoritma Perceptron

      Melanjutkan tulisan saya sebelumnya tentang algoritma perceptron,kali ini saya akan menulis tentang conto perhitungan manual algoritma perceptron. Untuk contoh kasusnya saya menggunakan data logika AND. Cekidot.... Algoritma      Data yang kita gunakan sebagai contoh adalah data logika AND sebagai berikut: x1 x2 target 0 0 0 0 1 0 1 0 0 1 1 1       tentukan bobot awal secara acak, saya pakai contoh w1 = 0,w2 =0, learning rate = 1, bias = 0,maksimal epoh = 10. Disini saya memakai fungsi aktivasi undak biner. Epoh ke 1 Data ke satu x = {0,0}, bobot w = {0,0},b=0,target = 0 y_in = (x1*w1)+(x2*w2)+b = (0*0)+(0*0)+0 = 0 y = sign(0) = 1 karena y != target maka hitung error dan update bobot  error = target - y = 0 - 1 = -1 w1_baru = w1_lama +(learning_rate*error*x1)                = 0 + (1*(-1)*0) = 0 w2_baru = w2_lama +(learning_rate*error*x2)                = 0+(1*(-1)*0) = 0
12 komentar
Baca selengkapnya

Pemrograman Berorientasi Object - Overloading dan Overriding

       Function atau method overloading dan override adalah fitur yang sangat mendasar dan berguna dari bahasa OOP manapun. Dalam tutorial ini kita akan membahas implementasi metode overloading dan override di php. Di sini pertama kita akan membahas dasar-dasar overloading dan override. Setelah eksplorasi dasar kita akan menerapkan overloading dan override di php. Sebelum melangkah lebih jauh, saya mengasumsikan bahwa Anda memiliki pengetahuan dasar tentang class dan pewarisan di php. Anda juga memiliki pemahaman tentang magic method di php. Magic method karena overloading di php bisa di implmentasikan dengan menggunakan magic method. Overriding        Arti dasar dari overriding di OOP sama dengan arti kata sebenarnya. Dalam arti kata sebenarnya dari overriding adalah menggantikan perilaku orang tua yang sama pada anak. Ini sama dengan override method di OOP. Dalam arti OOP, override adalah mengganti method class induk di class anak. Atau dengan method kata kunci sederhana yang me
1 komentar
Baca selengkapnya

Contoh Perhitungan Algoritma Learning Vector Quantization

Melanjutkan tulisan saya tentang algoritma Learning Vector Quantization yang lalu, kali ini saya akan melanjutkan dengan contoh perhitungan manual. Berikut ini contoh data yang akan kita hitung. No X1 X2 X3 X4 target 1 0 1 1 0 0 2 0 0 1 1 1 3 1 1 1 1 0 4 1 0 0 1 1 pada contoh di atas, saya menggunakan 4 data sebagai data training beserta target yang bertujuan untuk mendapatkan bobot yang akan digunakan pada proses klasifikasi. Bobot awal adalah { 1, 1, 1, 0} dan { 1, 0, 1, 1} dengan learning rate 0,05 dengan fungsi pembelajaran = 0,1. Pelatihan Iterasi ke 1 1. Data ke 1 { 0, 1, 1, 0} dengan target 0, bobot = {{ 1, 1, 1, 0},{ 1, 0, 1, 1}}      - menghitung bobot untuk masing masing output :          kelas 0 = sqrt(((0-1)^2)+((1-1)^2)+((1-1)^2)+((0-0)^2)) = 1         kelas 1 = sqrt(((0-1)^2)+((1-0)^2)+((1-
38 komentar
Baca selengkapnya