KLASIFIKASI NON LINIER - Teknik Elektro UGM

Realisasi dari dua jalur keputusan (hyperplanes), g1 (.) dan g2 (.), selama komputasi tahap
pertama dicapai dengan penerapan dua perseptron dengan input x1, x2 dan bobot sinaptik
yang sesuai. Keluaran yang sesuai yaitu yi = f (gi (x)), i = 1,2, dimana fungsi aktivasi f (.)
merupakan fungsi step dengan level 0 dan 1. Tabel 4.3 merangkum nilai yi untuk semua
kemungkinan kombinasi dari input. Hal ini tidak lain adalah posisi relatif dari input vektor x
sehubungan dengan masing-masing dua garis. Dari sudut pandang lain, perhitungan selama
tahap pertama akan melakukan pemetaan dari vektor input x ke bentuk baru y = [y1, y2] T .
Keputusan selama tahap kedua didasarkan pada data yang berubah, sebagaimana tujuan
sekarang yaitu untuk memisahkan [y1, y2] = [0, 0] dan [y1, y2] = [1, 1], yang berhubungan
dengan vektor kelas B, dari [y1, y2] = [1, 0], yang sesuai dengan vektor kelas A.
Sebagaimana terlihat pada Gambar 4.5, dapat dengan mudah dicapai dengan menggambar
garis ketiga g (y), yang dapat direalisasikan melalui neuron ketiga. Dengan kata lain,
pemetaan tahap pertama mengubah masalah yang terpisah secara non-linear menjadi masalah
yang terpisah secara linier. Gambar 4.6 memberikan kemungkinan realisasi langkah ini.
Masing-masing tiga garis diwujudkan melalui neuron dengan bobot sinaptik yang sesuai.
Hasil arsitektur multilapis dapat dianggap sebagai sebuah generalisasi dari perseptron, dan
dikenal sebagai perseptron dua lapis atau jaringan saraf dua lapis umpan maju (two-layer feed
forward). Dua neuron (simpul) dari lapisan pertama melakukan perhitungan tahap pertama
dan sering disebut lapisan tersembunyi. Neuron tunggal pada lapisan kedua melakukan
perhitungan tahap final dan merupakan lapisan output. Pada Gambar 4.6 ditunjukkan lapisan
masukan sesuai dengan (non-proses) node dimana input data dimasukkan. Dengan demikian,
jumlah node input layer sama dengan dimensi ruang input. Perhatikan bahwa pada node input
layer tidak terjadi pengolahan data. Garis yang ditunjukkan oleh perseptron dua lapisan pada
gambar adalah:
Arsitektur perseptron multilapis pada Gambar 4.6 dapat digeneralisasi untuk vektor masukan
dimensi l dan untuk dua (satu) neuron atau lebih pada lapisan tersembunyi (output). Sekarang
kita alihkan perhatian pada penyelidikan kemampuan diskriminatif kelas dari jaringan
tersebut untuk klasifikasi tugas non linier yang lebih rumit.
4.3.1 Kemampuan Klasifikasi dari Perseptron Dua Lapis