tugas 3 matakuliah komputasi jaringan … m-file di atas adalah gabungan dari proses perceptron...

TUGAS 3 MATAKULIAH

KOMPUTASI JARINGAN SARAF TIRUAN

Dosen Pengampu:

Prof. Dr. M. Isa Irawan, MT

Oleh:

Syarifuddin N. Kapita

1213 2010 43

JURUSAN PASCASARJANA MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

2014

Menjalankan Network Perceptron , Adaline dan Madaline dengan mengunakan M-File.

1 clc; clear all; close all;

2 disp('Memilih salah satu fungsi');

3 disp('1.Perceptron');

4 disp('2.Adaline');

5 disp('3.Madaline');

6 disp(' ');

7 disp('*************************************');

8 disp(' ');

9 pilih = input ('pilih fugsi yang ingin dijalankan = ');

10 switch pilih

11 case 1

12 disp('memilih salah satu inputan =')

13 disp('1.1.Bipolar');

14 disp('2.1.Biner');

15 disp(' ');

16 disp('*************************************');

17 disp(' ');

18 pilih2=input ('pilih =');

19 switch pilih2

20 case 1.1

21 s1=[1 1 -1 -1]; %untuk bipolar

22 s2=[1 -1 1 -1]; %untuk bipolar

23

24 target1 = [1 -1 -1 -1]; % AND function

25 target2 = [-1 1 1 1]; % NAND function

26 target3 = [-1 1 -1 -1]; % AND NOT function

27 target4 = [1 1 1 -1]; % OR function

28 target5 = [-1 -1 -1 1]; % NOR function

29 target6 = [1 1 -1 1]; % OR NOT function

30 disp('t=1 AND function')

31 disp('t=2 NAND function')

32 disp('t=3 AND NOT function')

33 disp('t=4 OR function')

34 disp('t=5 NOR function')

35 disp('t=6 OR NOT function')

36 t= input ('t= ');

37 if t==1

38 target=target1;

39 elseif t==2

40 target=target2;

41 elseif t==3

42 target=target3;

43 elseif t==4

44 target=target4;

45 elseif t==5

46 target=target5;

47 else target=target6;

48 end

49 disp(' s1 s2 target')

50 disp([s1' s2' target'])

51 x1=s1;

52 x2=s2;

53 net = newp ([-1 1 ; -1 1],1,'hardlims','learnpn');

54 net.IW {1,1}= [0 0];

55 net.b {1}= [0];

56 p = [ x1 ; x2 ]; %inputan bipolar

57 net = train (net,p,target);

58 bobot=net.IW {1,1};

59 bias=net.b {1};

60 fprintf('Nilai WIGHT= %4.0f %4.0f\n',(net.IW {1,1}));

61 fprintf('Nilai BIAS= %4.0f\n',(net.b {1}));

62 disp(' ');

63 disp('PROSES TESTING PERCEPTRON');

64 disp('*************************************');

65 y = sim(net,p)

66 X1=-5:0.1:5;

67 X2=(-bias-X1*bobot(1,1))/bobot(1,2);

68 plot(1,1,'*r',1,-1,'og',-1,1,'ob',-1,-1,'*c');

69 hold on;

70 plot(X1,X2);

71 legend('1,1','1,-1','-1,1','-1,-1');

72 title(['target',num2str(target)]);

73 grid on;

74 xlabel('X1');

75 ylabel('X2');

76

77 s1=[1 1 0 0]; %untuk biner

78 s2=[1 0 1 0]; %untuk biner

79













92 t= input ('t= ');

93 if t==1

94 target=target1;

95 elseif t==2

96 target=target2;

97 elseif t==3

98 target=target3;

99 elseif t==4

100 target=target4;

101 elseif t==5

102 target=target5;


104 end



107 x1=s1;

108 x2=s2;

109 net = newp ([-1 1 ; -1 1],1,'hardlims','learnpn');

110 net.IW {1,1}= [0 0];

111 net.b {1}= [0];




115 bias=net.b {1};

116 fprintf('Nilai WIGHT= %4.0f %4.0f\n',(net.IW {1,1}));

117 fprintf('Nilai BIAS= %4.0f\n',(net.b {1}));

118 disp(' ');

case 2.1

119

120 disp('PROSES TESTING PERCEPTRON');

121 disp('*************************************');

122 y = sim(net,p)

123 X1=-5:0.1:5;


125 plot(1,1,'*r',1,0,'og',0,1,'ob',0,0,'*c');

126 hold on;

127 plot(X1,X2);

128 legend('1,1','1,0','0,1','0,0');


130 grid on;

131 xlabel('X1');

132 ylabel('X2');

133 end

134 case 2

135 disp('memilih salah satu inputan =')

136 disp('1.1.Bipolar');

137 disp('2.1.Biner');

138 disp(' ');

139 disp('*************************************');

140 disp(' ');

141 pilih2=input ('pilih =');

142 switch pilih2

143 case 1.1

144 s1=[1 1 -1 -1]; %untuk bipolar

145 s2=[1 -1 1 -1]; %untuk bipolar













158 t= input ('t= ');

159 if t==1

160 target=target1;

161 elseif t==2

162 target=target2;

163 elseif t==3

164 target=target3;

165 elseif t==4

166 target=target4;

167 elseif t==5

168 target=target5;


170 end



173 x1=s1;

174 x2=s2;

175 net = newlin([-1 1 ; -1 1],1);

176 net.IW {1,1}= [0 0];

177 net.b {1}= [0];




181 bias=net.b {1};

182 fprintf('Nilai WIGHT = %4.1f %4.1f\n',(net.IW {1,1}));

183 fprintf('Nilai BIAS = %4.1f\n',(net.b {1}));

184 disp(' ');

185 disp('PROSES TESTING ADALINE');

186 disp('*************************************');

187 y = sim(net,p)

188 X1=-5:0.1:5;


190 plot(1,1,'*r',1,-1,'og',-1,1,'ob',-1,-1,'*c');

191 hold on;

192 plot(X1,X2);

193 legend('1,1','1,-1','-1,1','-1,-1');


195 grid on;

196 xlabel('X1');

197 ylabel('X2');

198 case 2.1

199 s1=[1 1 0 0]; %untuk biner

200 s2=[1 0 1 0]; %untuk biiner













213 t= input ('t= ');

214

215

216

217

218

219

220

221

222

223

224

225

226

227

228

229

230

231

232

233

234

235

236

237

238

239

249

241

242

243

244

245

246

247

248

249

250

251

252

253

254

255

256

257

258

259

260

261 262

263

264

265

266

267

268

269

270

if t==1

target=target1;

elseif t==2 target=target2; elseif t==3 target=target3; elseif t==4 target=target4; elseif t==5 target=target5; else target=target6; end disp(' s1 s2 target') disp([s1' s2' target']) x1=s1; x2=s2; net = newlin([-1 1 ; -1 1],1); net.IW {1,1}= [0 0]; net.b {1}= [0]; p = [ x1 ; x2 ]; %inputan bipolar net = train (net,p,target); bobot=net.IW {1,1}; bias=net.b {1}; fprintf('Nilai WIGHT = %4.1f %4.1f\n',(net.IW {1,1})); fprintf('Nilai BIAS = %4.1f\n',(net.b {1})); disp(' '); disp('PROSES TESTING ADALINE'); disp('*************************************'); y = sim(net,p) X1=-5:0.1:5; X2=(-bias-X1*bobot(1,1))/bobot(1,2); plot(1,1,'*r',1,0,'og',0,1,'ob',0,0,'*c'); hold on; plot(X1,X2); legend('1,1','1,0','0,1','0,0'); title(['target',num2str(target)]); grid on; xlabel('X1'); ylabel('X2');

end case 3

disp('XOR function') s1=[1 1 -1 -1]; %untuk bipolar s2=[1 -1 1 -1]; %untuk bipolar target=[-1 1 1 -1] % XOR function disp(' s1 s2 target') disp([s1' s2' target']) x1=s1; x2=s2; input=[x1 ; x2]; net=newff(input,target,2,{'logsig',

'purelin'},'trainlm','mse');

net.IW {1,1}= [0.05 0.1 ; 0.2 0.2]; net.b {1}= [0.3 ; 0.15]; net.divideFcn = ('');

271

272

273

274

275

276

277

278

279

280

281

282

283

284

285

286

287

% net=init(net); net.trainParam.epochs =9; net=train(net,input,target); fprintf('Nilai WIGHT = %4.1f %4.1f\n',(net.IW {1,1})); fprintf('Nilai BIAS = %4.1f\n',(net.b {1}));

tes=sim(net,input) error=(tes-target)

plotpv(input,target>0) plotpc(net.IW{:}(1,:),net.b{:}(1,:)); plotpc(net.IW{:}(2,:),net.b{:}(2,:)); title('XOR function'); grid on; xlabel('X1'); ylabel('X2'); end

Program M-File di atas adalah gabungan dari Proses Perceptron Proses Adaline dan Proses

Madaline dan sebagai berikut hasil dari Proses Madaline :

1. Program Madaline untuk fungsi XOR .

Input dan targetnya Bipolar

disp('XOR function') s1=[1 1 -1 -1]; %untuk bipolar s2=[1 -1 1 -1]; %untuk bipolar target=[-1 1 1 -1] % XOR function disp(' s1 s2 target') disp([s1' s2' target']) x1=s1; x2=s2; input=[x1 ; x2]; net=newff(input,target,2,{'logsig', 'purelin'},'trainlm','mse');

net.IW {1,1}= [0.05 0.1 ; 0.2 0.2]; net.b {1}= [0.3 ; 0.15]; net.divideFcn = (''); % net=init(net); net.trainParam.epochs =9; net=train(net,input,target); fprintf('Nilai WIGHT = %4.1f %4.1f\n',(net.IW {1,1})); fprintf('Nilai BIAS = %4.1f\n',(net.b {1}));

tes=sim(net,input) error=(tes-target)

plotpv(input,target>0) plotpc(net.IW{:}(1,:),net.b{:}(1,:)); plotpc(net.IW{:}(2,:),net.b{:}(2,:)); title('XOR function'); grid on; xlabel('X1'); ylabel('X2');

Output dari Fungsi XOR

Dari gambar diatas kita akan menjalankan proses yang ke-3 yaitu madaline, dari proses

madaline kita akan memilih fungsi XOR sebagai hasil running. kemudian dari proses tersebut

hasil outputnya seperti pada gambar dibawah ini.

Output Fungsi XOR dari fungsi Madaline berbeda-beda pada running pertama dengan

membatasi epoch pada iterasi ke- 9 outputnya berhenti pada iterasi ke-8 dengan nilai bobot

adalah , dan .

dan Pada proses Testing nilai atau bisa dikatakan nilai erorrnya sangat kecil yaitu

1.0e-10 , kemudian pada running kedua dengan membatasi epoch pada iterasi ke-9, outputnya

berhenti pada iterasi ke-6 dengan nilai bobot adalah ,

dan . dan Pada proses Testing nilai atau

bisa dikatakan nilai erorrnya sangat kecil yaitu1.0e-06. Pada Neural Network bisa kita lihat

inputan da outputnya berbeda dengan Perceptron dan Adaline, pada Madaline proses inputan

memerlukan dua lapisan yang terdiri dari 1 lapisan tersembunyi (terdiri dari 2 unit adaline)

dan 1 lapisan output (terdiri dari 1 unit adaline) atau yang disebut dengan Hidden Layer dan

Output Layer. Selanjutnya tampilan grafik fungsi XOR dari 2 hasil running yang berbeda

memiliki grafik yang berbeda sebagai berikut:

proses outputnya pada Madaline berbeda-beda namun proses tesiting menunjukan bahwa

nilai erorrnya sangat kecil sehingga proses trainingnya mendekati kebenaran.

tugas 3 matakuliah komputasi jaringan … m-file di atas adalah gabungan dari proses perceptron...

Documents