Jaringan perceptron & matlab

PEMROGRAMAN
PERCEPTRON PADA
MATLAB

JST dan
Matlab

Arafat, M.Kom

Pada MATLAB, fungsi yang dipakai untuk membangun jaringan perceptron adalah newp.
Perintah newp akan membuat sebuah perceptron dengan spesifikasi tertentu (jumlah unit input,
jumlah neuron,fungsi aktivasi, dll)

Fungsi : net = newp(PR,S)

net = newp(PR,S,TF,LF)

PR: matriks berukuran Rx2 yang berisi nilai minimum dan maksimum, dengan R adalah
jumlah variabel input (ada R buah masukan)

S : jumlah neuron (target)

TF : fungsi aktivasi biner(defaultnya adalah fungsi treshold, dalam MATLAB disebut
‘hardlim’)

LF : Fungsi pembelajaran (default : learnp, dipakai untuk mengubah bobot sehingga
diperoleh bobot yang mendekati target)

Arsitektur jaringan terlihat seperti gambar berikut :

OPERATOR AND

Jaringan syaraf operasi AND dengan input dan output biner sebagai berikut :

Input target

0 0 0

0 1 0

1 0 0

1 1 1

Membangun perceptron (newp), dengan 2 input masing-masing mempunyai elemen dengan nilai
minimum 0 dan maksimum 1 ([0 1;0 1]), dan memiliki 1 neuron (1), fungsi aktivasi
hardlim dan fungsi pembelajaran learnp.

Instruksi pada jendela perintah MATLAB :

>> net=newp([0 1;0 1],1);

1. Input jaringan syaraf

% mengetahui ukuran input jaringan syaraf ini

>> JumlahInput=net.inputs{1}.size

JumlahInput = 2

Berarti jaringan syaraf ini memiliki 2 variabel input

% mengetahui range elemen input jaringan syaraf ini

>> RangeInput=net.inputs{1}.range

RangeInput =

0 1

0 1

Berarti input pertama jaringan syaraf ini memiliki nilai minimum 0 dan nilai maksimum 1,
demikian pula, input kedua memiliki nilai minimum 0 dan maksimum 1.

2. Ukuran output jaringan syaraf

% mengetahui ukuran output jaringan syaraf ini

>> JumlahOutput=net.outputs{1}.size

JumlahOutput =1

Berarti jaringan syaraf ini memiliki 1 variabel output.

3. Lapisan

% mengetahui ukuran lapisan jaringan syaraf ini

>> JumlahLapisan=net.layers{1}.size

JumlahLapisan =1

Berarti jaringan syaraf ini memiliki 1 lapisan (single layer)

% mengetahui fungsi aktivasi yang digunakan oleh jaringan syaraf ini

>> FungsiAktifasi=net.layers{1}.transferFcn

FungsiAktifasi =hardlim

Berarti jaringan syaraf ini menggunakan fungsi aktivasi hardlim

4. Ukuran Bias

% mengetahui ukuran bias jaringan syaraf ini

>> JumlahBias=net.biases{1}.size

JumlahBias =1

Berarti jaringan syaraf ini menggunakan fungsi aktivasi hardlim

5. Bobot Jaringan Syaraf

% mengetahui jumlah bobot input pada jaringan syaraf ini

>> JumlahBobotInput=net.inputWeights{1}.size

JumlahBobotInput = 1 2

Berarti jaringan syaraf ini memiliki 2 bobot input

% mengetahui bobot-bobot input pada jaringan syaraf ini

>> BobotInput=net.IW{:}

BobotInput = 0

Berarti kedua bobot ini memiliki nilai awal = 0

%mengetahui jumlah lapisan pada jaringan syaraf ini

>> JumlahBobotLapisan=net.LW{:}

JumlahBobotLapisan =[]

Berarti jaringan syaraf ini tidak memiliki bobot lapisan

% mengetahui bobot-bobot bias pada jaringan ini

>> BobotBias=net.b{1}

BobotBias =0

Berarti bobot bias memiliki nilai awal = 0

Menggambar hubungan antara vektor input dengan vektor target pada perceptron menggunakan
perintah plotpv.

Syntax : plotpv(P,T)

Plotpv(P,T,V)

P : matriks berukuran m x n, yang merupakan vektor input dengan jumlah variabel input
(m) maksimum 3, dan n jumlah data.

T : matriks berukuran r x n, yang merupakan vektir target yang harus bernilai 0 atau 1
(biner) dengan jumlah variabel target (r) maksimum 3 , dan n jumlah data.

V : batas grafik, [x_min x_max y_min y_max]

% menggambar hubungan antara vektor input P dan target T

>> P=[0 0 1 1;0 1 0 1];

>> T=[0 0 0 1];

>> plotpv(P,T);

Akan dihasilkan gambar seperti berikut :

>> net=newp([0 1;0 1],1);

>> net.IW{1,1}=[-0.8 -1.3];

>> net.b{1}=0.6;

>> P=[0 0 1 1;0 1 0 1];

>> T=[0 0 0 1];

>> plotpv(P,T);

% melihat garis hasil komputasi

>> plotpc(net.IW{1,1},net.b{1});

% jaringan syaraf yang ada dikembalikan sesuai inisialisasi fungsinya

>> net=init(net);

>> net.IW{1,1}

ans = 0 0

>> net.b{1}

ans = 0

Melakukan pembelajaran agar jaringan syaraf bisa beradaptasi, untuk melakukan adaptasi pada
perseptron digunakan adapt.

Syntax : [net,Y,E] = adapt(net,P,T)

Net : jaringan syaraf yang telah beradaptasi

Y : output jaringan syaraf

E : error yang terjadi (target – output jaringan)

P : input jaringan (data-data yang diadaptasikan)

T : target jaringan

instruksi untuk melakukan adaptasi sebanyak 3 epoh pada jaringan syaraf untuk operasi AND

% input

>> P=[0 0 1 1;0 1 0 1];

% target

>> T=[0 0 0 1];

% membangun jaringan syaraf tiruan dengan perceptron

>> net=newp(minmax(P),1);

% mengembalikan nilai bobot sesuai dengan inisialisasi fungsi

>> net=init(net);

% set epoh sebanyak 3 kali

>> net.adaptParam.passes=3;

% melakukan adaptasi

>> [net,Y,E]=adapt(net,P,T);

% menggambar grafik hasil

>> plotpv(P,T);


% mencari mean square

>> EmEsE=mse(E);

% tampilkan hasil

>> BoboInputAkhir=net.IW{1,1}

BoboInputAkhir = 1 1

>> BoboBiasAkhir=net.b{1}

BoboBiasAkhir = -1

>> MSE=EmEsE

MSE = 0.2500

>> %karena masih o.25 maka dilakukan pelatihan lagi

>> P = [0 0 1 1;0 1 0 1];

>> T = [0 0 0 1];

>> net = newp(minmax(P),1);

>> net = init(net);

>> % nilai epoh diubah menjadi 6



>> plotpv(P,T);


>> EmEsE=mse(E);


BoboBiasAkhir =-2


BoboInputAkhir =1 1

>> MSE=EmEsE

MSE = 0

Nilai MSE = 0, artinya sudah diperoleh jaringan dengan bobot-bobot yang baik.

Melakukan simulasi input data baru terhadap jaringan syaraf yang telah selesai melakukan
pembelajaran, menggunakan sim.

Syntax : a = sim(net,p)

a : output hasil simulasi

net : jaringan syaraf yang telah dilatih.

p : input data yang akan disimulasikan pada jaringan syaraf

untuk menghitung keluaran jaringan , kita tidak perlu mengetahui targetnya. Akan tetapi jika
ingin dihitung kesalahan yang terjadi (selisih antara target dengan keluaran jaringan), maka harus
diketahui targetnya.

>> %melakukan pengujian

>> a=sim(net,[1;0])

a = 0

>> a = sim(net,[1;1])

a =1

>> a = sim(net,[0;0])

a = 0

>> a=sim(net,[0;1])

a = 0

Mengambil informasi tentang output jaringan, error adaptasi, bobot input, bobot bias, dan mean
square error (MSE) pada setiap epoh, dan menyimpannya dalam file HasilPerceptronAnd.m

>> fb=fopen('HasilPerseptronAnd.m','w');

>> %input

>> P=[0 0 1 1;0 1 0 1];

>> [m n]=size(P);

>> fprintf(fb,'Data input (P):n')

ans = 16

>> for i=1;n,

fprintf(fb,'%d %dn',P(:,i));

end;

n = 4

>> %Target

>> T=[0 0 0 1];

>> fprintf(fb,'Target (T):n');

>> fprintf(fb,'%dn',T);

>> %bentuk jaringan syaraf dengan perceptron


>> plotpv(P,T);

>> linehandle=plotpc(net.IW{1},net.b{1});

>> %set eror awal E=1

>> E=1;

>> %kembalikan nilai bobot sesiau inisialisasi fungsinya

>> net=init(net);

>> fprintf(fb,'Bobot Input Awal(w):%4.2f %4.2fn',net.IW{1,1});

>> fprintf(fb,'Bobot Bias Awal(b):%4.2fn',net.b{1});


>> Epoh=0;

>> MaxEpoh=100;

>> %pembelajaran kerjakan sampai sum squere eror(SSE)=0 atau epoh>maxEpoh

>> while(sse(E)&(Epoh<MaxEpoh)),

fprintf(fb,'n');

Epoh=Epoh+1;

fprintf(fb,'Epoh ke-%1d n',Epoh);

[net,Y,E]=adapt(net,P,T);

fprintf(fb,'Output Jaringan (Y):');

for i=1:n,

fprintf(fb,'%1d',E(i));

end;

fprintf(fb,'n');

fprintf(fb,'Eror Adapatasi (E):');

for i=1:n,


end;

fprintf(fb,'n');

fprintf(fb,'Bobot Input Baru (W):%4.2f %4.2f n',net.IW{1,1});

fprintf(fb,'Bobot Bias Baru (b) : %4.2f n',net.b{1});

fprintf(fb,'Sum Square Error (SSE):%4.2f n',sse(E));

linehandle=plotpc(net.IW{1},net.b{1},linehandle);

drawnow;

Y

E

pause(2);

end;

Y = 1 1 1 1

E = -1 -1 -1 0

Y = 0 0 0 0

E = 0 0 0 1

Y = 0 0 0 0

E = 0 0 0 1

Y = 0 1 1 1

E = 0 -1 -1 0

Y = 0 0 0 0

E = 0 0 0 1

Y = 0 0 0 1

E =0 0 0 0

>> fprintf(fb,'n');

>> fprintf(fb,'Bobot Input Akhir (W):%4.2f %4.2f n',net.IW{1,1});

>> fprintf(fb,'Bobot Bias Akhir (b):%4.2f n',net.b{1});

>> %vektor yang akan disimulasikan

>> p=[0.5 0.1 0.7 0.2 0.5; 0.5 0.1 0.1 0.4 0.3];

>> %simulasi

>> a=sim(net,p)a = 0 0 0 0 0

>> plotpv(p,a);

>> ThePoint=findobj(gca,'type','line');

>> set(ThePoint,'Color','green');

>> pause(2);

>> hold on;

>> plotpv(P,T);

>> plotpc(net.IW{1},net.b{1});

>> hold off;

>> fclose(fb);

Hasil perceptronAnd.m

Data input (P):

0 0

0 1

1 0

1 1

Target (T):

0

0

0

1

Bobot Input Awal(w):0.00 0.00

Bobot Bias Awal(b):0.00

Epoh ke-1

Output Jaringan (Y):-1-1-10

Eror Adapatasi (E):-1-1-10

Bobot Input Baru (W):-1.00 -1.00

Bobot Bias Baru (b) : -3.00

Sum Square Error (SSE):3.00

Epoh ke-2

Output Jaringan (Y):0001

Eror Adapatasi (E):0001

Bobot Input Baru (W):0.00 0.00



Epoh ke-3






Epoh ke-4

Output Jaringan (Y):0-1-10

Eror Adapatasi (E):0-1-10




Epoh ke-5






Epoh ke-6






Bobot Input Akhir (W):1.00 1.00

Bobot Bias Akhir (b):-2.00

OPERATOR NOT AND

Jaringan syaraf operasi AND dengan input dan output biner sebagai berikut :

Input target

0 0 0

0 1 0

1 0 1

1 1 0

% mengetahui ukuran input jaringan syaraf ini

>> net=newp([0 1;0 1],1);

>> JumlahInput=net.inputs{1}.size

JumlahInput = 2

Berarti jaringan syaraf ini memiliki 2 variabel input

% mengetahui range elemen input jaringan syaraf ini

>> RangeInput=net.inputs{1}.range

RangeInput =0 1 1

Berarti input pertama jaringan syaraf ini memiliki nilai minimum 0 dan nilai maksimum 1,
demikian pula, input kedua memiliki nilai minimum 0 dan maksimum 1.

% mengetahui ukuran output jaringan syaraf ini

>> JumlahOutput=net.outputs{1}.size

JumlahOutput =1

Berarti jaringan syaraf ini memiliki 1 variabel output.

% mengetahui ukuran lapisan jaringan syaraf ini

>> JumlahLapisan=net.layers{1}.size

JumlahLapisan =1

Berarti jaringan syaraf ini memiliki 1 lapisan (single layer)

% mengetahui fungsi aktivasi yang digunakan oleh jaringan syaraf ini

>> FungsiAktifasi=net.layers{1}.transferFcn

FungsiAktifasi =hardlim


>> JumlahBias=net.biases{1}.size


JumlahBias =1

% mengetahui jumlah bobot input pada jaringan syaraf ini

>> JumlahBobotInput=net.inputWeights{1}.size

JumlahBobotInput =1 2

% mengetahui bobot-bobot input pada jaringan syaraf ini

>> BobotInput=net.IW{:}

BobotInput =0

%mengetahui jumlah lapisan pada jaringan syaraf ini

>> JumlahBobotLapisan=net.LW{:}

JumlahBobotLapisan =[]

% mengetahui bobot-bobot bias pada jaringan ini

>> BobotBias=net.b{1}

BobotBias =0

Menggambar hubungan antara vektor input dengan vektor target pada perceptron menggunakan
perintah plotpv.

>> P=[0 0 1 1;0 1 0 1];

>> T=[0 0 1 0];

>> plotpv(P,T);

>> net=newp([0 1;0 1],1);

>> net.IW{1,1}=[-0.8 -1.3];

>> net.b{1}=0.6;

>> P=[0 0 1 1;0 1 0 1];

>> T=[0 0 1 0];

>> plotpv(P,T);

% melihat garis hasil komputasi


% jaringan syaraf yang ada dikembalikan sesuai inisialisasi fungsinya

>> net=init(net);

>> net.IW{1,1}

ans =

0 0

>> net.b{1}

ans =0

Melakukan pembelajaran agar jaringan syaraf bisa beradaptasi.

% input

>> P=[0 0 1 1;0 1 0 1];

% target

>> T=[0 0 1 0];

% membangun jaringan syaraf tiruan dengan perceptron


% mengembalikan nilai bobot sesuai dengan inisialisasi fungsi

>> net=init(net);

% set epoh sebanyak 3 kali


% melakukan adaptas


% menggambar grafik hasil

>> plotpv(P,T);


% mencari mean square

>> EmEsE=mse(E);

>> BobotInputAkhir=net.IW{1,1}

% tampilkan hasil

BobotInputAkhir =1 -2

>> BobotBiasAkhir=net.b{1}

BobotBiasAkhir =-1

>> MSE=EmEsE

MSE =0.2500

>> %pelatihan dengan nilai epoh di ubah menjadi 4

>> P=[0 0 1 1;0 1 0 1];

>> T=[0 0 1 0];


>> net=init(net);

>> % nilai epoh diubah menjadi 4



>> plotpv(P,T);


>> EmEsE=mse(E);


BoboInputAkhir =1 -2


BoboBiasAkhir =-1

>> MSE=EmEsE

MSE =0

% simulasi input data baru tertentu terhadap jaringan syaraf yang telah selesai
melakukan pembelajaran

>> a=sim(net,[1;0])

a =1

>> a=sim(net,[1;1])

a =0

>> a=sim(net,[0;0])

a =0

>> a=sim(net,[0;1])

a =0

% informasi tentang output jaringan, error adaptasi, bobot input, bobot bias, dan mean
square error pada setiap epoh, dan menyimpannya dalam file HasilPerceptron.m

>> fb=fopen('HasilPerceptron.m','w');

>> P=[0 0 1 1;0 1 0 1];

>> [m n]=size(P);

>> fprintf(fb,'Data input (P):n')

ans =16

>> for i=1;n,

fprintf(fb,'%d %dn',P(:,i));

end;

n =4

>> %Target

>> T=[0 0 1 0];

>> fprintf(fb,'Target (T):n');

>> fprintf(fb,'%dn',T);

>> %bentuk jaringan syaraf dengan perceptron


>> plotpv(P,T);


>> %set eror awal E=1

>> E=1;

>> %kembalikan nilai bobot sesiau inisialisasi fungsinya

>> net=init(net);

>> fprintf(fb,'Bobot Input Awal(w):%4.2f %4.2fn',net.IW{1,1});

>> fprintf(fb,'Bobot Bias Awal(b):%4.2fn',net.b{1});


>> Epoh=0;

>> MaxEpoh=100;

>> %pembelajaran kerjakan sampai sum squere eror(SSE)=0 atau epoh>maxEpoh

>> while(sse(E)&(Epoh<MaxEpoh)),

fprintf(fb,'n');

Epoh=Epoh+1;

fprintf(fb,'Epoh ke-%1d n',Epoh);

[net,Y,E]=adapt(net,P,T);

fprintf(fb,'Output Jaringan (Y):');

for i=1:n,


end;

fprintf(fb,'n');

fprintf(fb,'Eror Adapatasi (E):');

for i=1:n,


end;

fprintf(fb,'n');

fprintf(fb,'Bobot Input Baru (W):%4.2f %4.2f n',net.IW{1,1});

fprintf(fb,'Bobot Bias Baru (b) : %4.2f n',net.b{1});

fprintf(fb,'Sum Square Error (SSE):%4.2f n',sse(E));

linehandle=plotpc(net.IW{1},net.b{1},linehandle);

drawnow;

>> Y

E

pause(2);

end;

Y =

1 1 1 1

E =

-1 -1 0 -1

Y =

0 0 0 0

E =

0 0 1 0

Y =

0 0 0 0

E =

0 0 1 0

Y =

0 0 1 0

E =

0 0 0 0

>> fprintf(fb,'n');

>> fprintf(fb,'Bobot Input Akhir (W):%4.2f %4.2f n',net.IW{1,1});

>> fprintf(fb,'Bobot Bias Akhir (b):%4.2f n',net.b{1});

>> %vektor yang akan disimulasikan

>> p=[0.5 0.1 0.7 0.2 0.5; 0.5 0.1 0.1 0.4 0.3];

>> %simulasi

>> a=sim(net,p)

a =

0 0 0 0 0

>> plotpv(p,a);

>> ThePoint=findobj(gca,'type','line');

>> set(ThePoint,'Color','green');

>> pause(2);

>> hold on;

>> plotpv(P,T);

>> plotpc(net.IW{1},net.b{1});

>> hold off;

>> fclose(fb);

Hasil Perceptron.m

Data input (P):

0 0

0 1

1 0

1 1

Target (T):

0

0

1

0

Bobot Input Awal(w):0.00 0.00

Bobot Bias Awal(b):0.00

Epoh ke-1

Output Jaringan (Y):-1-10-1

Eror Adapatasi (E):-1-10-1

Bobot Input Baru (W):-1.00 -2.00



Epoh ke-2



Bobot Input Baru (W):0.00 -2.00



Epoh ke-3






Epoh ke-4






Bobot Input Akhir (W):1.00 -2.00

Bobot Bias Akhir (b):-1.00

Jaringan perceptron & matlab

More Related Content

What's hot (20)

Viewers also liked (11)

Similar to Jaringan perceptron & matlab (16)

More from UNISKA, SMK Telkom Banjarbaru (20)

Recently uploaded (20)

Jaringan perceptron & matlab