Dalam konteks jaringan saraf tiruan, suatu jaringan yang berisi satu lapis saja dimana input langsung terkoneksi dengan output disebut dengan perceptron. Jadi jaringan saraf seringkali disebut dengan sistem kumpulan perceptron-perceptron yang saling terkoneksi satu sama lain, sehingga perceptron boleh dibilang sebagai fondasi dasar dari jaringan saraf apapun.
Perceptrons terdiri dari empat bagian berbeda:
- Nilai Input
- Bobot dan Bias
- Jumlah total input x bobot
- Fungsi aktivasi
Perceptron adalah termasuk algoritma supervised learning yang digunakan untuk melakukan klasifikasi biner (dua jenis). Klasifikasi biner menggunakan suatu fungsi yang menentukan suatu data termasuk dalam suatu kelompok atau tidak. Perceptron termasuk jenis pengklasifikasi linear, yaitu algoritma klasifikasi yang memprediksi dengan fungsi linear yang tersusun dari himpunan bobot dengan vektor feature (atribut/properti).
Dalam konsep modern, perceptron adalah algoritma untuk mempelajari suatu pengklasifikasi biner yang disebut fungsi ambang batas, yaitu fungsi yang memetakan input x (vektor bernilai riil) ke nilai f(x) (nilai biner):
dengan m adalah jumlah input ke perceptron dan b adalah bias. Nilai bias menggeser batasan keputusan menjauh dari titik asal dan tidak bergantung pada nilai input.
Nilai f(x) (0 atau 1) dipakai untuk mengklasifikasikan x sebagai kelompok positif atau negatif (untuk kasus klasifikasi biner).
Catatan Tambahan:
Salah satu tutorial tentang perceptron (teori dan coding) yang saya rekomendasikan adalah :
- https://www.youtube.com/watch?v=ntKn5TPHHAk&t=250s
- https://www.youtube.com/watch?v=DGxIcDjPzac&t=19s
Comments
Post a Comment