Langsung ke konten utama

Algoritma Voted Perceptron

      Selamat malam pemirsa. Apa kabar anda hari ini ?? mumpung lagi suasana tepat buat nulis ini, siang habis resign kerja, besok tanggal merah, gajian di pending pula, skripsi juga lagi pending nunggu sidang,...saya mau nganjutin tulisan sebelumnya tentang Jaringan syaraf tiruan. Kalo sebelumnya saya bahas tentang algoritma perceptron, kali ini saya lanjutin dengan voted perceptron. Algoritma ini masih lumayan baru. seumuran sama adik saya gan. Dan kebetulan skripsi saya membahas tentang algoritma ini. Langsung aja ya,cekidot...

Pengertian

       Voted Perceptron adalah salah satu metode klasifikasi linier yang arsitekturnya menggunakan layer input dan layer output dengan nilai vektor bobot tertentu untuk memaksimalkan margin antara dua kelas data. Algoritma ini dikemukakan oleh Robert E Schapire dan Yoav Freund pada tahun 1999 yang merupakan pengembangan dari algoritma percepton dari Rosenblatt (1958, 1962).  Ide dari Voted Perceptron ini adalah mencari vektor perceptron yang selalu benar dalam memprediksi ketika dilakukan proses. Dalam voted-perceptron, algoritma menyimpan beberapa informasi selama proses pelatihan yang di gunakan dalam proses klasifikasi untuk menghasilkan prediksi terbaik untuk data uji. Ada awal proses training dilakukan inisialisasi sebuah vektor perceptron,  = 0. Selanjutnya vektor perceptron beserta bobotnya yang dihasilkan dalam proses training ini disimpan untuk digunakan dalam proses klasifikasi, dengan menggunakan persamaan :








Apabila dalam proses training dengan menggunakan vektor perceptron v  salah dalam memprediksi maka vektor perceptron baru akan diperbarui dengan menggunakan persamaan :  




Untuk proses klasifikasi, proses voting perceptron ini memanfaatkan vektor perceptron v dan bobot c  yang tersimpan dari proses training yang didefinisikan dengan persamaan sebagai berikut :

   
  
untuk algoritma keseluruhan adalah sebagai berikut
dalam proses training,algoritma mencari nilai vektor v,dan bobot c yang akan di gunakan dalam proses klasifikasi. Berbeda dengan perceptron yang hanya mengambil nilai bobot yang terakhir, dalam voted perceptron semua nilai vektor yang di dapat dari proses pelatihan di gunakan dalam proses klasifikasi. Nilai bobot c digunakan untuk voting,yaitu vektor dengan nilai bobot tertinggilah yang menjadi vektor tebaik.

     Sementara cukup sekian dulu deh untuk pengertian voted perceptron. DI tulisan saya berikutnya akan saya beri contoh sederhana perhitungan voted perceptron. Tunggu tulisan saya selanjutnya.See you.....

penjelasan asli bisa di lihat di sini
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 ...
12 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-...
39 komentar
Baca selengkapnya

SOLID - Prinsip Desain Arsitektur Di Dalam Pemrograman Object Oriented (Dependency Inversion Principal)

Akhirnya kita sampai di bagian paling akhir dari seri tulisan SOLID Principal yaitu untuk huruf D.  Ketika kita bekerja menggunakan bahasa pemrograman berorientasi object, kita pasti akan menggunakan Class. Class tersebut pada akhirnya akan saling terkait /  ketergantungan satu dan yang lain untuk melakukan tugas tertentu.  Ketergantungan ini disebut dengan istilah  Dependency.  Dependency ini bisa terjadi antar Class di dalam satu  Code Base  yang sama, atau bahkan antar  Library.  Controhnya seperti potongan kode berikut. <?php namespace App\DependencyInversion; /** * Description of Engine * * @author programmer */ class Engine { private KeihinCarburator $carburator ; private NGKSpark $spark ; public function __construct (KeihinCarburator $carburator , NGKSpark $spark ) { $this -> carburator = $carburator ; $this -> spark = $spark ; } public funct...
Posting Komentar
Baca selengkapnya