BAB 3 - Dian Ayu Rahmawati - 205150201111042

LABORATORIUM PEMBELAJARAN ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER

UNIVERSITAS BRAWIJAYA
BAB : PERCEPTRON
NAMA : DIAN AYU RAHMAWATI
NIM : 205150201111042
TANGGAL : 30/09/2022
ASISTEN : - ANDIKA IRZA PRADANA
- MUHAMMAD ISTHOBIR FUADY
A. Praktikum
1. Buka Google Collaboratory melalui tautan ini.

2. Tulis kode berikut ke dalam setiap cell pada notebook tersebut.
a. Fungsi Step Bipolar
def percep_step(input, th=0):

return 1 if input > th else -1 if input < -th else 0
b. Fungsi Training Perceptron
def percep_fit(X, target, th=0, a=1, max_epoch=-1,

verbose=False,draw=False):
w = np.zeros(len(X[0]) + 1)
bias = np.ones((len(X), 1))
X = np.hstack((bias, X))
stop = False
epoch = 0
while not stop and (max_epoch == -1 or epoch < max_epoch):
stop = True
epoch += 1
if verbose:
print('\nEpoch', epoch)
for r, row in enumerate(X):

y_in = np.dot(row, w)
y = percep_step(y_in, th)
if y != target[r]:
stop = False
w = [w[i] + a * target[r] * row[i] for i in

range(len(row))]
if verbose:
print('Bobot:', w)
if draw:
plot(line(w, th), line(w, -th), X, target)
return w, epoch
c. Fungsi testing Perceptron
def percep_predict(X, w, th=0):

Y = []
for x in X:
y_in = w[0] + np.dot(x, w[1:])
y = percep_step(y_in, th)
Y.append(y)
return Y
d. Fungsi Hitung Akurasi

def calc_accuracy(a, b):
s = [1 if a[i] == b[i] else 0 for i in range(len(a))]
return sum(s) / len(a)
e. Logika AND
train = (1, 1), (1, -1), (-1, 1), (-1, -1)
target = 1, -1, -1, -1
th = .2
model, epoch = percep_fit(train, target, th, verbose=True,draw=True)
output = percep_predict(train, model)
accuracy = calc_accuracy(output, target)
print('Epochs:', epoch)
print('Output:', output)
print('Target:', target)
print('Accuracy:', accuracy)
f. Logika OR
train = (1, 1), (1, -1), (-1, 1), (-1, -1)
target = 1, 1, 1, -1
th = .2
model, epoch = percep_fit(train, target, th, verbose=True,draw=True)
g. Logika AND NOT
train = (1, 1), (1, -1), (-1, 1), (-1, -1)

target = -1, 1, -1, -1
th = .2
model, epoch = percep_fit(train, target, th, verbose=True,
draw=True)
h. Logika XOR
train = (1, 1), (1, -1), (-1, 1), (-1, -1)
target = -1, 1, 1, -1
model = hebb_fit(train, target, verbose=True, draw=True)
output = hebb_predict(train, model)
accuracy = accuracy_score(output, target)
B. Screenshot
a. Fungsi Step Perceptron
b. Fungsi Training Perceptron

c. Fungsi Testing Perceptron
d. Fungsi Hitung akurasi
e. Logika AND
’
f. Logika OR
g. Logika AND NOT
h. Logika XOR
C. Analisis
1. Mengapa Perceptron gagal dalam melakukan proses training menggunakan

data logika XOR? Jelaskan.
Jawab:
Perceptron gagal dalam melakukan proses training menggunakan data logika

XOR karena pada logika XOR memiliki data latih yang bersifat non linearly
separable sehingga pada saat proses pelatihannya berkemungkinan besar
gagal karena tidak bisa mendapatkan decision boundary dari logika XOR
tersebut.
2. Lakukan pelatihan data logika AND dengan learning rate yang berbeda-beda.
Amati jumlah epoch yang dilakukan. Bagaimanakah efeknya pada proses
pelatihan?
Jawab :
- Learning rate adalah 0.1

Dari gambar diatas dapat disimpulkan bahwa nilai dari learning rate
dapat mempengaruhi hasil dari training. Nilai learning rate mempengaruhi
perubahan nilai bobotnya dan pergeseran decision boundary. Besar kecilnya
Decision boundary tergantung dari nilai learning rate yang telah diatur
sebelumnya.
D. Kesimpulan
Perbedaan antara Perceptron dengan Hebb Net adalah yang pertama pada
epoch, pada Hebb Net sendiri hanya bisa dilakukan satu kali epoch, sedangkan pada
Perceptron dapat diatur sebelumnya untuk berapa jumlah epochnya dan Perceptron
sendiri dapat diatur laju pelatihannya dengan menentukan parameter learning rate.
Learning Rate sendiri dibutuhkan jika data yang dilakukan berjumlah banyak
atau kompleks dikarenakan pergeseran decision boundary tidak dapat dilakukan
dengan langkah pergeseran yang besar karena akan berpotensi mengakibatkan posisi
decision boundary yang tidak baik. Maka dari itu, dibuatlah satu parameter yang
mengatur seberapa besar langkah pergeseran decision boundary selama proses
pelatihan berjalan yang disebut learning rate.
Kasus yang dapat diselesaikan oleh perceptron sendiri adalah ketika data
latihnya bersifat linearly separable dengan data latih seperti itu nantinya kedua kelas
tersebut dapat dipisahkan, sedangkan perceptron tidak bisa menyelesaikan kasus
ketika data latihnya bersifat non linearly-separable karena proses pelatihannya nanti
tidak akan pernah selesai atau selalu gagal dan tidak bisa mendapatkan decision
boundary nya.

BAB 3 - Dian Ayu Rahmawati - 205150201111042

Uploaded by

Copyright:

Available Formats

BAB 3 - Dian Ayu Rahmawati - 205150201111042

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

BAB 3 - Dian Ayu Rahmawati - 205150201111042

Uploaded by

Copyright:

Available Formats

LABORATORIUM PEMBELAJARAN ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER

1. Buka Google Collaboratory melalui tautan ini.

def percep_step(input, th=0):

b. Fungsi Training Perceptron

def percep_fit(X, target, th=0, a=1, max_epoch=-1,

for r, row in enumerate(X):

w = [w[i] + a * target[r] * row[i] for i in

c. Fungsi testing Perceptron

def percep_predict(X, w, th=0):

d. Fungsi Hitung Akurasi

g. Logika AND NOT

train = (1, 1), (1, -1), (-1, 1), (-1, -1)

a. Fungsi Step Perceptron

b. Fungsi Training Perceptron

d. Fungsi Hitung akurasi

1. Mengapa Perceptron gagal dalam melakukan proses training menggunakan

Perceptron gagal dalam melakukan proses training menggunakan data logika

- Learning rate adalah 0.1

You might also like