Single Layer Perceptron

Neural Network

Neural Networks berdasarkan algoritma pembelajarannya bisa dikelompokkan menjadi dua kategori yaitu Feed-forward network (jaringan saraf umpan maju) dan Recurrent-feedback network (jaringan saraf umpan balik). Feed-forward network dicirikan dengan graf yang tidak memiliki loop sedangkan recurrent-forward network pada grafnya memiliki loop-loop koneksi balik. Berikut adalah diagram pengelompokan jaringan saraf atau neural network :



Single-layer Perceptron

Single-layer perceptron bisa dibilang merupakan salah satu teknik jaringan saraf tiruan yang paling sederhana. Jaringan ini hanya memiliki lapisan input dan lapisan output. Jaringan ini termasuk supervised learning, artinya metode pembelajarannya dilakukan melalui contoh-contoh. Jaringan akan ditraining dengan sekumpulan contoh-contoh yang diketahui input dan outputnya. Selama proses belajar tersebut jaringan akan menyesuaikan nilai bobotnya agar menghasilkan output yang diinginkan. Jaringan ini bisa digambarkan sebagai berikut :



Jaringan di atas mempunyai input sebanyak n (x1 sampai xn) dengan masing-masing input mempunyai bobot wn. Sebuah bias ditambahkan ke dalam jaringan dengan angka pembelajaran = 1. Output yang dihasilkan adalah Y. Karena metode ini adalah supervised learning maka ada threshold yang harus dilewati. Berikut adalah beberapa notasi dan fungsi yang perlu kita ketahui :

1. xi = input ke-i, b = bias, α = angka pembelajaran (0<α≤1), wi = bobot masing-masing input, ti = batas ambang / threshold dari input ke-i

2. Output yang dihasilkan adalah : Yin = Σwi.xi + α.b

3. Sedangkan output dalam bentuk biner (y) adalah 1 jika 1 ≤ Yin dan 0 jika Yin ≤ 0

4. Perubahan nilai bobot (w) dan bias (b) selama learning dinotasikan sebagai :


Sekarang kita akan mencobanya pada fungsi logika OR. Berikut adalah gambar tabel diagram OR



Selain diagram OR, kita perlu menginisialisasi bobot masing-masing input yaitu masing-masing bernilai 0. Kita juga menginisialisasi bias = 0. Dengan demikian kita mendapatkan : w1=0, w2=0, b=0.

Sekarang kita akan mulai melakukan iterasi pada jaringan ini. Dalam empat iterasi nilai bobot dan bias tidak berubah lagi dan jaringan menghasilkan output sesuai yang diharapkan.