Perceptron Menggunakan MATLAB

          Bagi yang kuliah sudah menempuh mata kuliah Pengantar Kecerdasan Buatan atau sering disebut Pengantar Artificial Intelligent (Pengantar AI), pasti ketemu dengan yang namanya Jaringan Saraf Tiruan. Lalu apa itu Jaringan Syaraf Tiruan?  Jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

          Pada Jaringan Saraf Tiruan, terdapat beberapa jenis yaitu :

1. Perceptron. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan istilah pemisahan secara linear. Pada dasarnya perceptron pada Jaringan Syaraf Tiruan (Neural Network) dengan satu lapisan memiliki bobot yang bisa diatur dan suatu nilai ambang. Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Fungsi aktivasi dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
2. Adaline.(Adaptive Linear Neuron atau lambat Adaptive Linear Element) adalah satu lapisan jaringan saraf. Hal ini dikembangkan oleh Profesor BernardWidrow dan mahasiswa pascasarjana Ted Hoff di Universitas Stanford pada 1960.Hal ini didasarkan pada neuron McCulloch-Pitts. Terdiri dari berat, bias dan fungsi penjumlahan. Adaline adalah satu lapisan jaringan saraf dengan beberapa node dimana setiap node menerima beberapa masukan dan menghasilkan satu output. Perbedaan antara Adaline dan standar (McCulloch-Pitts) perceptron adalahbahwa dalam tahap pembelajaran bobot disesuaikan menurut tertimbang jumlahinput (net). Dalam standar perceptron, jaring dilewatkan ke aktivasi (transfer) fungsidan output fungsi digunakan untuk menyesuaikan bobot. Ada juga yang dikenalsebagai sebuah ekstensi Madaline.
3. Madaline. Madaline (many Adaline) adalah gabungan beberapa Adaline. Hasilnya membentuk suatu jaringan baru dengan sebuah layer tersembunyi.
4. Backpropagation (Multilayer Perceptron). Pengertian Backpropagation merupakan sebuah metode sistematik pada jaringan saraf tiruan dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. Backpropagation adalah pelatihan jenis terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata. (F.Suhandi, 2009)

          Tapi, disini aku akan membahas Perceptronnya saja. Karena kebetulan tugas kedua dalam mata kuliah yang sedang aku ambil Kecerdasan Buatan Lanjut, mengimplementasikan Perceptron dengan dataset yang diberikan oleh dosen. Berikut langkah-langkah Pembelajaran Perceptron adalah :

1.   Inisialisasi nilai bobot (wi dan b), laju pembelajaran (alpha), dan nilai ambang (tetha).

2.   Selama syarat henti iterasi tidak terpenuhi maka kerjakan langkah 2 sampai 6.

3.   Tentukan nilai aktivasi untuk unit input.

4.   Hitung respon untuk unit output.

5.   Jika masih terdapat error, update nilai bobot dan bias.  Jika y≠t, lakukan perubahan bobot dan bias dengan cara berikut : 

• Wi(baru) = Wi(lama) + a*t*Xi. 
• b(baru) = b(lama) + a*t. 
• Jika y=t, tidak ada perubahan bobot dan bias. 
• Wi(baru) = Wi(lama). 
• b(baru) = b(lama).

6.   Uji kondisi henti, jika tidak ada perubahan bobot pada langkah 2 (untuk 1 epoch) berhenti, jika tidak dilanjutkan.

      Langkah-langkah untuk proses pengujian adalah sebagai berikut :

1. Inisialisasi bobot, bias, alpha, dan tetha dari proses pembelajaran sebelumnya.

2. Tentukan nilai aktivasi unit input.

3.  Hitung respon untuk unit output.

          Lalu bagaimanakah cara mengimplementasikan Perceptron? Ya kali ini aku mau kasi cara implementasi Perceptron menggunakan MATLAB. Dataset yang aku gunakan adalah sebagai berikut :

x1     x2     bias     target

-1      1        1         1

 1      1        1        -1

-1    -1        1        -1

 1    -1         1        -1

        Nilai Learning Rate atau sering disebut dengan Rho, bisa diatur sesuai kemauan. Semakin kecil Rho, maka semakin banyak iterasinya. Dimana, bila target bernilai 1 maka kelas 1. Jika target bernilai -1 maka kelas 2. Berikut dibawah ini code nya. Tapi code ini tidak termasuk GUInya, hanya menampilkan grafiknya saja dan jumlah iterasi dapat dilihat di command window MATLAB.

%created by soniya gunawan

X = [ -1 1 1; 1 1 1; -1 -1 1; 1 -1 1]; %Datasetnya

w = [rand() rand() rand()]; %nilai bobot yang dihasilkan secara random/acak

rho = 0.1; %nilai learning rate

i = 0; %inisialisasi iterasi awal adalah 0

dmc = 1; %inisialisasi data yg miss classification

k = [1; -1; -1; -1];

while(dmc > 0)

    dmc = 0;

    i = i + 1;

    disp(w);

    temp = zeros(3,1);

    for a=1:4

       if(((X(a,:)*w')*k(a)) <= 0)

           temp = temp + rho*(-k(a))*X(a,:)';

           dmc = dmc + 1;

       end

    disp(dmc);

    w = w - temp';

    end

end   

  disp(i);

for b=1:4

    plot(X(b,1),X(b,2),'.r');

    hold on;

end

b1 = -w(3)/w(1);

a = -w(3)/w(2);

b1 = -a/b1;

X = linspace(-2,2,200);

y = a*X + b1;

plot(X,y);

xlabel('x');

ylabel('y');

axis([-2 2 -2 2]);

grid on;

legend('Perceptron');

          Setelah program di RUN, maka akan muncul grafik seperti dibawah ini :

           Lalu pada command window MATLAB, dapat dilihat bobot akhir dan banyaknya iterasi :

            

             Perceptron dengan GUI? Ini beberapa tampilan jika menggunakan GUI.

             Ingin source code untuk GUI? Silahkan komen aja ya.. nanti aku kasi linknya.

          Sekedar mengingatkan, setelah membaca artikel ini, minta tolong ya.. Di share ke FB atau twitter. Terus diisi ya voting yang ada di pojok kanan atas dari halaman ini. Diisi juga kolom reaksi setelah membaca artikel ini, apakah bagus, penting, bermanfaat, atau yang lainnya. Bagi yang mau copy kata-kataku, jangan sampai lupa menyertai link dari halaman ini. Kalau ada yang bingung, silahkan tuliskan pertanyaan di form komentar. Makasi :)

Sumber :

• http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
• http://digilib.ittelkom.ac.id/index.php?option=com_content&view=article&id=105:jaringan-syaraf-tiruan&catid=15:pemrosesan-sinyal&Itemid=14
• http://www.scribd.com/doc/25832183/Adaline
• http://putriartyanti.blogspot.com/2011/12/backpropagation.html