Apa Itu Perceptron dan Link Download File Referensi
https://eu2.contabostorage.com/00f3241116844f24b628f46d81abb929:st1/folder2/2867/jmuser_file_1642352263_4b3bd92c2ff56d5a0467786c54b51c5e.ppt
2026-05-28 17:55:06 - Admin
<style> body { font-family: Arial, Helvetica, sans-serif; line-height: 1.6; margin: 0; padding: 0 20px; background-color: #f9f9f9; color: #333; } h1, h2, h3 { color: #2c3e50; } .container { max-width: 800px; margin: 30px auto; background: #fff; padding: 25px; box-shadow: 0 2px 5px rgba(0,0,0,0.1); } pre { background:#eee; padding:10px; overflow:auto; } table { width:100%; border-collapse:collapse; margin:15px 0; } th, td { border:1px solid #ddd; padding:8px; text-align:center; } th { background:#f2f2f2; } a { color:#2980b9; text-decoration:none; } a:hover { text-decoration:underline; } </style><div class="container"> <h1>Apa Itu Perceptron?</h1> <p>Perceptron adalah model matematis paling sederhana dalam bidang jaringan saraf tiruan (neural network). Dikembangkan pertama kali oleh Frank Rosenblatt pada tahun 1957, perceptron dirancang untuk meniru cara kerja neuron biologis dalam mengolah sinyal input menjadi output yang bersifat biner (0 atau 1). Ide dasarnya adalah menggabungkan sejumlah input yang masingmasing diberi bobot (weight), menjumlahkannya, lalu menerapkan fungsi aktivasi untuk menghasilkan keputusan.</p> <h2>Komponen Dasar Perceptron</h2> <ul> <li><strong>Input (x<sub>i</sub>)</strong>: Nilai fitur yang diberikan ke model, misalnya intensitas pixel pada gambar atau nilai numerik suatu atribut.</li> <li><strong>Bobot (w<sub>i</sub>)</strong>: Nilai yang menandakan seberapa penting masingmasing input. Bobot akan diupdate selama proses pelatihan.</li> <li><strong>Bias (b)</strong>: Nilai tambahan yang memungkinkan perceptron memindahkan batas keputusan (decision boundary) tanpa mengubah kemiringan.</li> <li><strong>Fungsi aktivasi</strong>: Pada perceptron klasik biasanya berupa fungsi langkah (step function) yang menghasilkan 1 bila hasil penjumlahan 0, dan 0 bila < 0.</li> </ul> <h2>Rumus Matematis</h2> <p>Output <em>y</em> dari satu perceptron dapat dituliskan sebagai:</p> <pre>y = f( (w_i * x_i) + b )</pre> <p>dimana <em>f</em> adalah fungsi aktivasi step:</p> <pre>f(z) = { 1 jika z 0 { 0 jika z < 0</pre> <h2>Cara Kerja Perceptron</h2> <ol> <li><strong>Inisialisasi</strong>: Semua bobot dan bias biasanya diset secara acak kecil.</li> <li><strong>Feedforward</strong>: Input dikalikan bobot, dijumlahkan dengan bias, lalu fungsi aktivasi menghasilkan prediksi.</li> <li><strong>Hitung error</strong>: Selisih antara output yang diharapkan (target) dan output prediksi.</li> <li><strong>Update bobot</strong>: Menggunakan aturan pembaruan <em>perceptron learning rule</em>: <pre>w_i w_i + (t - y) x_i</pre> di mana adalah learning rate, t target, y prediksi.</li> <li>Ulangi proses untuk semua contoh pelatihan sampai error tidak lagi berkurang atau mencapai batas iterasi.</li> </ol> <h2>Kelebihan & Kekurangan</h2> <table> <tr><th>Kelebihan</th><th>Kekurangan</th></tr> <tr> <td>Sederhana, cepat dilatih, cocok untuk masalah linier.</td> <td>Tidak dapat memecahkan masalah yang tidak dapat dipisahkan secara linier (nonlinear).</td> </tr> <tr> <td>Mudah dipahami secara matematis.</td> <td>Terbatas pada satu lapisan; tidak dapat mengekspresikan fungsi kompleks.</td> </tr> <tr> <td>Basis bagi arsitektur jaringan saraf yang lebih dalam.</td> <td>Ketergantungan pada pemilihan learning rate dan inisialisasi bobot.</td> </tr> </table> <h2>Contoh Implementasi Sederhana</h2> <p>Berikut contoh kode Python menggunakan <code>numpy</code> untuk melatih perceptron pada dataset logika AND:</p> <pre>import numpy as np# Data training (XOR)X = np.array([[0,0], [0,1], [1,0], [1,1]])y = np.array([0,0,0,1]) # target AND# Inisialisasi bobot & biasw = np.random.rand(2)b = np.random.rand(1)lr = 0.1def step(z): return 1 if z >= 0 else 0for epoch in range(100): for xi, target in zip(X, y): z = np.dot(w, xi) + b y_pred = step(z) error = target - y_pred w += lr * error * xi b += lr * errorprint("Bobot akhir:", w)print("Bias akhir:", b) </pre> <h2>Perceptron Multilayer (MLP)</h2> <p>Untuk mengatasi keterbatasan linearitas, perceptron dapat ditumpuk menjadi jaringan multilayer yang disebut MultiLayer Perceptron (MLP). MLP memiliki satu atau lebih lapisan tersembunyi dengan fungsi aktivasi nonlinear (misalnya sigmoid, ReLU). Dengan metode backpropagation, bobot pada semua lapisan dapat dioptimalkan sehingga jaringan mampu mempelajari hubungan kompleks.</p> <h2>Aplikasi Perceptron dalam Kehidupan Nyata</h2> <ul> <li><strong>Deteksi Spam</strong>: Klasifikasi email menjadi spam atau bukan spam berdasarkan kata kunci.</li> <li><strong>Pengenalan Pola</strong>: Mengidentifikasi tulisan tangan sederhana atau bentuk geometris.</li> <li><strong>Kontrol Robotika</strong>: Membuat keputusan biner seperti "bergerak maju" atau "berhenti".</li> </ul> <h2>Kesimpulan</h2> <p>Perceptron adalah batu loncatan penting dalam bidang pembelajaran mesin. Meskipun sederhana dan terbatas pada masalah linier, ia menjadi dasar bagi jaringan saraf modern yang jauh lebih kuat. Memahami cara kerja perceptron membantu kita mengerti konsep dasar bobot, bias, fungsi aktivasi, serta proses pembelajaran yang menjadi inti semua model neural network.</p> <p>Untuk mempelajari lebih dalam, Anda dapat melanjutkan dengan topik <a href="https://en.wikipedia.org/wiki/Multilayer_perceptron" target="_blank">MultiLayer Perceptron</a>, <a href="https://en.wikipedia.org/wiki/Backpropagation" target="_blank">Backpropagation</a>, dan <a href="https://en.wikipedia.org/wiki/Deep_learning" target="_blank">Deep Learning</a>.</p></div>