Catatan Kecil

      Melanjutkan tulisan saya sebelumnya mengenai algoritma perceptron, kali ini saya buat contoh program sederhana menggunakan bahasa php. Dan data yang saya pakai adalah data logika AND yang juga saya pakai dalam tulisan saya sebelumnya. Langsung saya ke tekape.... Proses Training Persiapan Data /////data latih $data = array( array(0,0), array(0,1), array(1,0), array(1,1) ); $label = array(0,0,0,1); // label atau target $learning_rate = 1; // learning rate $bias = 0; // bobot bias awal $max_epoh = 10; // maksimal iterasi $weight = array(0,0); // bobot awal di atas adalah data yang akan saya gunakan, sama persis dengan data yang saya gunakan pada tulisan  sebelumnya. Class perceptron <?php class Perceptron { private $learning_rate ; private $weight ; private $bias ; function set_learning_rate ( $learning_rate ){ // function untuk mengeset learning rate $this -> learning_rate = $learning_rate ; } function set_weigh

      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

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 te

          Selamat siang pemirsa,mumpung lagi males lihat koding kerjaan siang ini saya coba sempatin buat coretan di sini. Mumpung lagi giat giatnya kerjain skripsi saya yang kebetulan bahas tentang jaringan syaraf tiruan, maka kali ini dan mungkin coretan coretan saya selanjutnya akan membahas tentang jaringan syaraf tiruan beserta jajarannya ( jenis jenis,contoh perhitungan dan kalo sempet sekalian kodingnya juga ).          Artificial Neural Network atau Jaringan syaraf tiruan merupakan suatu konsep rekayasa pengetahuan dalam bidang kecerdasan buatan uang didesain dengan mengadopsi system saraf manusia, yang pemrosesan utamanya ada diotak. Bagian terkecil dari otak manusia adalah sel syaraf yang disebut unit dasar pemrosesan informasi atau neuron. Ada sekitar 10 miliar neuron dalam otak manusia dan sekitar 60 triliun koneksi (disebut sinaps [ synapse ]) antar neuron dalam otak manusia ( Shhepred dan Koch, 1990 ). Dengan menggunakan neuron – neuron tersebut secara simultan. Otak