Panduan Pemula untuk Jaringan Syaraf Tiruan Perceptron: Mengklasifikasikan Data dengan Contoh Sederhana

Memahami Perceptron: Contoh Praktis Klasifikasi Data

Artikel ini adalah bagian dari seri yang memudahkan pemahaman jaringan syaraf tiruan Perceptron. Baik Anda baru memulai atau ingin meninjau topik tertentu, posting terkait di bawah ini menyediakan peta jalan yang komprehensif.

1. Bagaimana Melakukan Klasifikasi Menggunakan Jaringan Syaraf Tiruan: Apa Itu Perceptron?
2. Bagaimana Menggunakan Contoh Jaringan Syaraf Tiruan Perceptron Sederhana untuk Mengklasifikasikan Data
3. Bagaimana Melatih Jaringan Syaraf Tiruan Perceptron Dasar
4. Memahami Pelatihan Jaringan Syaraf Tiruan Sederhana
5. Pengantar Teori Pelatihan untuk Jaringan Syaraf Tiruan
6. Memahami Learning Rate dalam Jaringan Syaraf Tiruan
7. Machine Learning Tingkat Lanjut dengan Perceptron Lapisan Ganda
8. Fungsi Aktivasi Sigmoid: Aktivasi dalam Jaringan Syaraf Tiruan Perceptron Lapisan Ganda
9. Bagaimana Melatih Jaringan Syaraf Tiruan Perceptron Lapisan Ganda
10. Memahami Rumus Pelatihan dan Backpropagation untuk Perceptron Lapisan Ganda
11. Arsitektur Jaringan Syaraf Tiruan untuk Implementasi Python
12. Bagaimana Membuat Jaringan Syaraf Tiruan Perceptron Lapisan Ganda dalam Python
13. Pemrosesan Sinyal Menggunakan Jaringan Syaraf Tiruan: Validasi dalam Desain Jaringan Syaraf Tiruan
14. Dataset Pelatihan untuk Jaringan Syaraf Tiruan: Bagaimana Melatih dan Memvalidasi Jaringan Syaraf Tiruan Python

Apa Itu Perceptron Satu Lapisan?

Perceptron adalah jenis jaringan syaraf tiruan paling sederhana. Ia terdiri dari lapisan input yang mendistribusikan data ke satu lapisan komputasi, di mana neuron-neuron melakukan penjumlahan terbobot diikuti oleh fungsi aktivasi. Koneksi antara node input dan lapisan komputasi diberi bobot skalar, yang menentukan pengaruh setiap fitur input terhadap output akhir.

Meskipun jaringan berisi dua lapisan fisik (input dan output), ia hanya berisi satu lapisan komputasi, yang sebabnya disebut perceptron satu lapisan.

Mengklasifikasikan dengan Perceptron

Mari kita periksa contoh konkret. Kami akan membuat perceptron yang menerima vektor tiga dimensi ⟨x, y, z⟩ dan mengklasifikasikan titik berdasarkan posisi mereka relatif terhadap sumbu x:

• Di bawah sumbu x (y < 0): diklasifikasikan sebagai tidak valid (output 0)
• Di atas atau pada sumbu x (y ≥ 0): diklasifikasikan sebagai valid (output 1)

Vektor input jaringan memetakan langsung ke tiga koordinat: input₀ = x, input₁ = y, dan input₂ = z. Karena masalah ini linier, kami dapat menetapkan bobot secara langsung:

Kami kemudian mengatur aktivasi neuron output ke fungsi unit step:

\[f(x)=\begin{cases}0 & x < 0\\1 & x \geq 0\end{cases}\]

Dengan pengaturan ini, komponen y dan z secara efektif diabaikan (bobot 0), dan klasifikasi bergantung sepenuhnya pada koordinat x. Jika titik berada di bawah sumbu x, jumlah terbobot negatif dan fungsi step menghasilkan 0; jika tidak, ia menghasilkan 1.

Dari Desain Manual ke Pelatihan Otomatis

Contoh di atas menunjukkan bagaimana manusia dapat merancang perceptron untuk masalah yang sederhana. Dalam banyak skenario dunia nyata—pengenalan tulisan tangan, pemrosesan ucara, diagnosis medis—menyediakan hubungan matematika yang tepat antara input dan output yang diinginkan tidak praktis. Sebaliknya, kami mengandalkan pendekatan berbasis data: kami memberikan jaringan banyak pasangan input-output dan membiarkannya mempelajari pola yang mendasarinya.

Pelatihan adalah proses yang menyesuaikan bobot sehingga perceptron menghasilkan output yang benar pada data yang belum terlihat. Ia secara berulang membandingkan prediksi jaringan dengan label yang dikenal dan menyesuaikan bobot dalam arah yang mengurangi error.

Setelah dilatih pada 1.000 titik sintetik untuk klasifikasi valid/tidak valid kami, perceptron secara otomatis menemukan vektor bobot yang sesuai, yang sekarang cocok dengan solusi yang diturunkan secara manual:

Apa Selanjutnya?

Dalam artikel mendatang kami akan memandu Anda melalui implementasi Python yang ringkas dari perceptron satu lapisan dan merinci rutinitas pelatihan yang menghasilkan bobot yang ditunjukkan di atas. Tetap terhubung untuk mempelajari cara membuat dan melatih perceptron Anda sendiri dari nol.