Pemograman Perceptron dengan Matlab

[menuju akhir]

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Spesifikasi Perceptron Dalam Matlab

2. Pembentukan Jaringan

3. Pembentukan Vektor Masukan dan Target

4. Menghitung Keluaran Perceptron

5. Modifikasi bobot dan Bias

6. Pelatihan Perceptron

7. Video

8. Link

1. Spesifikasi Perceptron Dalam Matlab[kembali]

Dalam Matlab, default sistem yang dipakai adalah sebagai berikut :

• Masukan dan target yang dipakai berbentuk bebas (tidak harus biner/bipolar)

• Threshold yang dipakai adalah 0

•  Fungsi aktivasi (dalam Matlab disebut hardlim) memiliki output biner

• Tidak menggunakan laju pemahaman

2. Pembentukan Jaringan[kembali]

dimana,

PR = matriks ordo Rx2 yang menyatakan nilai minimum dan maksimum tiap unit masukan (ada R buah unit masukan) 

S = jumlah neuron target 

TF = fungsi aktivasi biner. Defaultnya adalah fungsi threshold (dalam matlab disebut ‘hardlim’ ) 

LF = fungsi pelatihan. Defaultnya adalah ‘learnp’

Misalkan, ada 3 buah unit masukan dan 2 buah neuron target seperti gambar 13.1 

Misal inisialisasi bobot ke target y1 = [-1 0 2], ke target y2 = [0 1 0] dan bobot bias b = [1 2]. Maka digunakan statemen : 

Contoh 13.1

Bentuklah perceptron untuk mengenali pola fungsi logika “dan” 2 variabel x1 dan x2

Penyelesaian :

3. Pembentukan Vektor Masukan dan Target[kembali] 

Contoh 13.2

Bentuklah perceptron dengan masukan dan targetnya untuk mengenali pola fungsi logika “dan”, dengan bobot awal w = [-1 1] dan bias b = [1].

Penyelesaian

Perintah Matlab adalah sebagai berikut :

4. Menghitung Keluaran Perceptron [kembali]

dengan parameter masukan

net : nama jaringan dalam perintah Newp. 

P : Vektor masukan jaringan 

Pi : Kondisi delay awal masukan. Default = zeros. 

Ai : Kondisi delay layar. Default = zeros. 

T : Vektor target jaringan. Default = zeros. 

dan parameter hasil, 

Y : Keluaran jaringan. 

Pf : Kondisi akhir delay masukan. 

Af : Kondisi akhir delay layar. 

E : Error jaringan = T – Y. 

perf: Unjuk kerja jaringan. 

Untuk jaringan sederhana, hanya menggunakan :

Contoh 13.3 

Hitunglah keluaran jaringan contoh 13.1 menggunakan bobot awal seperti contoh 13.2. 

Penyelesaian :

Besarnya eror dan tingkat unjuk kerja yang terjadi, diketahui dengan perintah :

5. Modifikasi bobot dan Bias[kembali]

dengan 

W : matriks bobot 

P : vektor masukan 

Z : vektor masukan dengan bobot 

N : vektor masukan net 

A : vektor keluaran 

T : vektor layar target 

E : vektor layar error 

gW : gradien bobot terhadap unjuk kerja 

gA : gradien keluaran terhadap unjuk kerja 

D : jarak neuron 

LP : parameter pemahaman 

LS : state pemahaman

Contoh 13.4

Hitunglah perubahan bobot setelah perintah sim pada contoh 13.3 dijalankan berturut-turut pada pola (1 1), (1 0), (0 1), (0 0 )

 Penyelesaian :

Untuk pola p1 :  

dengan hasil:

Perubahan bobot untuk pola p2, p3 dan p4 :

dengan keluaran program :

6. Pelatihan Perceptron[kembali]

dengan 

net : jaringan yang didefinisikan dalam newp 

P : masukan jaringan 

T : target jaringan. Default = zeros. 

Pi : Kondisi delay awal masukan. Default = zeros. 

Ai : Kondisi delay awal layar. Default = zeros. 

VV : Struktur validasi vektor. Default = []. 

TV : Struktur vektor uji. Default = []. 

Perintah train akan menghasilkan 

net : jaringan yang baru 

tr : record pelatihan (epoch dan performa) 

Y : Keluaran jaringan 

E : error jaringan 

Pf : Kondisi akhir delay masukan 

Af : Kondisi akhir delay layar

Contoh 13.5 

Carilah bobot pengenalan pola contoh 13.2

Penyelesaian:

Hasilnya,

7. Video[kembali]

8. Link[kembali]

Link video 1  klik disini

          Link video 2  klik disini 

          Listing Program

          Video Simulasi

[menuju awal]