Pemrograman Perceptron Dengan _matlab

(1)

PEMROGRAMAN PERCEPTRON

DENGAN MATLAB

Tugas ini disusun Guna Memenuhi Tugas Mata Kuliah Jaringan Syaraf Tiruan

Dosen Pengampu:

Nurochman

Disusun oleh :

SEP

SEPTIA

TIANI

NI PUT

PUTRI

RI

086 086500

50005

05 PROGRAM STUDI TEKNIK INFORMATIKA

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA

YOGYAKARTA

2011

(2)

MEMBANGUN PERCEPTRON

Pada MATLAB, fungsi yang dipakai untuk membangun jaringan perceptron adalah

Pada MATLAB, fungsi yang dipakai untuk membangun jaringan perceptron adalah newp

newp. Perintah

. Perintah

newp

akan membuat sebuah perceptron dengan spesifikasi tertentu (jumlah unit input, jumlah

neuron,fungsi aktivasi, dll)

F

Fu

un

ng

gssii :: net = newp(PR,S)

net = newp(PR,S)

net =

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

newp(PR,S,TF,LF)

PR: matriks berukuran Rx2 yang berisi nilai minimum dan maksimum, dengan Radalah

jumlah variabel input (ada R buah m

jumlah variabel input (ada R buah masukan)

asukan)

S

S : jum

: jumla

lah ne

h neur

uron (

on (ta

targ

rget

et))

TF: fungsi aktivasi biner(defaultnya adalah fungsi treshold, dalam MATLAB disebut

‘‘hardlim

hardlim’)

’)

LF

LF: Fungsi pembelajaran (default : learnp, dipakai untuk mengubah bobot sehingga

: Fungsi pembelajaran (default : learnp, dipakai untuk mengubah bobot sehingga

diperoleh bobot yang mendekati target)

Arsitektur jaringan terlihat seperti gambar berikut :

(3)

OPERATOR AND

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

Input

target

0

1

0

1

0

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

(4)

% 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 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

(5)

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});

(6)

% 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

(7)

% 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);

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

(8)

>> %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 >> net.adaptParam.passes=6; >> [net,Y,E]=adapt(net,P,T); >> plotpv(P,T); >> plotpc(net.IW{1,1},net.b{1}); >> EmEsE=mse(E); >> BoboBiasAkhir=net.b{1} BoboBiasAkhir = -2 >> BoboInputAkhir=net.IW{1,1} BoboInputAkhir = 1 1 >> MSE=EmEsE MSE = 0

(9)

Melakukan simulasi input data baru terhadap jaringan syaraf yang telah seles ai 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 %d\n',P(:,i)); end; n = 4

(10)

>> %Target >> T=[0 0 0 1];

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

>> %bentuk jaringan syaraf dengan perceptron >> net=newp(minmax(P),1);

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

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

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

(11)

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

(12)

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);

HasilperceptronAnd.m

Data input (P):

0 0

0 1

1 0

1 1

Target (T):

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

(13)

Epoh ke-2

Output Jaringan (Y):0001

Eror Adapatasi (E):0001

Bobot Input Baru (W):0.00 0.00

Bobot Bias Baru (b) : -2.00

Sum Square Error (SSE):1.00

Epoh ke-3

Output Jaringan (Y):0001

Eror Adapatasi (E):0001

Bobot Input Baru (W):1.00 1.00

Bobot Bias Baru (b) : -1.00

Sum Square Error (SSE):1.00

Epoh ke-4

Output Jaringan (Y):0-1-10

Eror Adapatasi (E):0-1-10

Bobot Input Baru (W):0.00 0.00

Bobot Bias Baru (b) : -3.00

Sum Square Error (SSE):2.00

Epoh ke-5

Output Jaringan (Y):0001

Eror Adapatasi (E):0001

Bobot Input Baru (W):1.00 1.00

Bobot Bias Baru (b) : -2.00

Sum Square Error (SSE):1.00

Epoh ke-6

Output Jaringan (Y):0000

Eror Adapatasi (E):0000

Bobot Input Baru (W):1.00 1.00

Bobot Bias Baru (b) : -2.00

Sum Square Error (SSE):0.00

Bobot Input Akhir (W):1.00 1.00

Bobot Bias Akhir (b):-2.00

(14)

OPERATOR NOT AND

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

Input

target

0

1

0

1

0

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 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.

% 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

% mengetahui ukuran bias jaringan syaraf ini >> JumlahBias=net.biases{1}.size

(15)

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 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);

(16)

>> 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 >> 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.

% input

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

>> T=[0 0 1 0];

% 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

(17)

>> [net,Y,E]=adapt(net,P,T); % menggambar grafik hasil >> plotpv(P,T);

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

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

>> % nilai epoh diubah menjadi 4 >> net.adaptParam.passes=4; >> [net,Y,E]=adapt(net,P,T); >> plotpv(P,T); >> plotpc(net.IW{1,1},net.b{1}); >> EmEsE=mse(E); >> BoboInputAkhir=net.IW{1,1} BoboInputAkhir =

(18)

1 -2 >> BoboBiasAkhir=net.b{1} 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 %d\n',P(:,i)); end; n = 4 >> %Target

(19)

>> T=[0 0 1 0];

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

>> %bentuk jaringan syaraf dengan perceptron >> net=newp(minmax(P),1);

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

>> linehandle=plotpc(net.IW{1},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,'\n');

fprintf(fb,'Eror Adapatasi (E):'); for i=1:n,

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;

(20)

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);

(21)

HasilPerceptron.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 Bobot Bias Baru (b) : -3.00

Sum Square Error (SSE):3.00 Epoh ke-2

Output Jaringan (Y):0010 Eror Adapatasi (E):0010

Bobot Input Baru (W):0.00 -2.00 Bobot Bias Baru (b) : -2.00 Sum Square Error (SSE):1.00 Epoh ke-3

Bobot Input Baru (W):1.00 -2.00 Bobot Bias Baru (b) : -1.00 Sum Square Error (SSE):1.00 Epoh ke-4

Bobot Input Baru (W):1.00 -2.00 Bobot Bias Baru (b) : -1.00 Sum Square Error (SSE):0.00

Bobot Input Akhir (W):1.00 -2.00 Bobot Bias Akhir (b):-1.00