Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

JARINGAN SYARAF TIRUAN  BAB 1 PENDAHULUAN  Neuron McCulloch-Pitts (1943)  Neuron Hebb (1949)  BAB 2 PERCEPTRON  BAB 3 ADALINE  BAB 4 BACK PROJECTION.

Presentasi serupa


Presentasi berjudul: "JARINGAN SYARAF TIRUAN  BAB 1 PENDAHULUAN  Neuron McCulloch-Pitts (1943)  Neuron Hebb (1949)  BAB 2 PERCEPTRON  BAB 3 ADALINE  BAB 4 BACK PROJECTION."— Transcript presentasi:

1 JARINGAN SYARAF TIRUAN  BAB 1 PENDAHULUAN  Neuron McCulloch-Pitts (1943)  Neuron Hebb (1949)  BAB 2 PERCEPTRON  BAB 3 ADALINE  BAB 4 BACK PROJECTION JST DAN LOGIKA FUZZY ITF 306

2 BAB 1 PENDAHULUAN  Jaringan Syaraf Biologi Otak terdiri dari neuron-neuron (10 12 ) dan penghubung antar neuron (6x10 18 ) yang disebut sinapsis (synapse) Neuron terdiri dari sejumlah dendrit, soma (cell body) dan axon Dendrit menerima sinyal input berupa impuls listrik Dendrit memodifikasi sinyal tersebut dan diteruskan ke soma Soma menjumlahkan sinyal-sinyal yang masuk dari semua dendrit Bila jumlahnya melebihi suatu batas ambang (threshold), maka sinyal akan diteruskan ke neuron lain melalui axon

3 Dendrit : Input p dimodifikasi oleh pembobotan w menjadi : Neuron dengan satu input (skalar) Bias berharga 1 dengan pembobotan b Soma : Semua input setelah pembobotan dijumlahkan menjadi : Sinapsis : Output neuron yang akan diteruskan ke neuron lain tergantung pada fungsi aktivasi f  a = f(n)  Jaringan Syaraf Tiruan Neuron dengan banyak input (vektor)

4 - Berharga 0 atau 1 (biner) - Dapat berharga berapa saja diantara antara 0 dan 1 - Dapat diturunkan (mempunyai turunan) Fungsi Aktivasi (fungsi transfer) - Dapat berharga berapa saja

5  Neuron McCulloch-Pitts Neuron sederhana yang pertama diperkenalkan pada 1943 Disebut juga sebagai Threshold Logic Neuron (TLN) p1p1 w1w1  f p2p2 p3p3 p4p4 w2w2 w3w3 w4w4 na Semua pembobotan positip sama (w 1 = w 2 ) Semua pembobotan negatip sama (w 3 = w 4 ) Fungsi aktivasinya biner sehingga sering disebut sebagai simple binary threshold neuron

6 Contoh Soal 1.1 Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika AND Jawab : Tabel kebenarannya AND adalah : p1p1 p2p2 a  f 1 1 p1p1 p2p2 na p1p1 p2p2 n = p 1 w 1 +p 2 w 2 a = f(n) = = = =21 w 1 = w 2 =1 Threshold = 2 Neuron yang sesuai adalah (dengan coba-coba):

7 Threshold dapat diubah dengan menggunakan bias :  f 1 1 p1p1 p2p2 na b = Pembobotan dan bias dapat ditentukan secara analisis : p1p1 p2p2 n = p 1 w 1 +p 2 w 2 + b a = f(n) = = = = 01 Banyak garis-garis pemisah yang mungkin p2p2 p1p1 p 2 = - p 1 +2 p 2 =p 1 +0,5

8 Contoh Soal 1.2 Fungsi logika OR dengan dua masukan akan mempunyai keluaran 0 jika dan hanya jika kedua masukannya 0. Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika OR Jawab : Tabel kebenarannya OR adalah : p1p1 p2p2 a  f 1 1 p1p1 p2p2 na p1p1 p2p2 n = p 1 w 1 +p 2 w 2 a = f(n) = = = =21 w 1 = w 2 =1 Threshold = 1 Neuron yang sesuai adalah (dengan coba-coba): p2p2 p1p1 p 2 =p 1 +1

9 Contoh Soal 1.3 Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika p 1   p 2 Jawab : Tabel kebenarannya p 1   p 2 adalah : p1p1 p2p2  p 2 p1   p2p1   p  f 2 p1p1 p2p2 na p1p1 p2p2 n = p 1 w 1 +p 2 w 2 a = f(n) = = = =10 w 1 = 2 w 2 = -1 Threshold = 2 Neuron yang sesuai adalah (dengan coba-coba): p  q   p  q  (p  q) =  (  p  q) = p   q p2p2 p1p1

10 Contoh Soal 1.4 Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika XOR Jawab : Tabel kebenarannya XOR adalah : p1p1 p2p2 XOR p2p2 p1p1 Ternyata jaringan untuk menyatakan fungsi logika XOR tidak bisa dibuat seperti contoh-contoh yang lalu ( tidak dapat dipisahkan oleh sebuah garis). Baru dapat dipisahkan dengan dua buah garis, sehingga perlu digunakan sebuah layar tersembunyi (hidden layer)

11   f  f f Layar tersembunyi p1p1 p2p2 2 2 a OR 1 1 q1q1 q2q2 p 1 XOR p 2  (p 1   p 2 )  ( p 2   p 1 ) q 1 = (p 1   p 2 )w 1 =2, w 2 = -1, threshold = 2 q 2 = (p 2   p 1 )w 1 =-1, w 2 = 2, threshold = 2 a = p 1  p 2 w 1 =1, w 2 = 1, threshold = 1 p1p1 p2p2  p 2 q 1 = p 1   p 2  p 1 q 2 = p 2   p 1 q 1  q 2 = p 1 XOR p

12 Soal Latihan 1.1 Buat model McCulloch-Pitts untuk menyatakan fungsi logika NAND dengan dua masukan biner Soal Latihan 1.2 Buat model McCulloch-Pitts untuk menyatakan fungsi logika XNOR dengan dua masukan biner p1p1 p2p2 NAND p1p1 p2p2 XNOR

13 Soal Latihan 1.1 Buat model McCulloch-Pitts untuk menyatakan fungsi logika NAND dengan dua masukan biner Jawab :  f w1w1 w2w2 p1p1 p2p2 na b 1 p1p1 p2p2 NAND p2p2 p1p1 p1p1 p2p2 n = p 1 w 1 +p 2 w 2 + ba = f(n) = = = =10

14 Soal Latihan 1.2 Buat model McCulloch-Pitts untuk menyatakan fungsi logika XNOR dengan dua masukan biner Jawab : p1p1 p2p2  p 2 p 1   p XNOR =  XOR =  [ p 1   p 2 )  ( p 2   p 1 ) ] XNOR =  ( p 1   p 2 )   ( p 2   p 1 ) XNOR =(  p 1  p 2 )  (  p 2  p 1 ) p 1 XOR p 2  (p 1   p 2 )  ( p 2   p 1 ) p2p2 p1p1

15 p1p1 p2p2 n = p 1 w 1 +p 2 w 2 + ba = f(n) ,5=- 0, ,5 = 0, ,5 =- 1, ,5 =-0,51 w 2 = 1, w 1 = -1, b= - 0,5   f  f f 1 p1p1 p2p2 1 1 a AND 1 1 q1q1 q2q2 XNOR =(  p 1  p 2 )  (  p 2  p 1 ) = q 2  q 1 - 0, Neuron XNOR :

16  Neuron Hebb Pada model neuron McCulloch-Pitts pembobotan dan bias harus ditentukan secara coba-coba atau secara analitis Diperlukan suatu cara/metoda tertentu untuk menentukan pembobotan dan bias Pada 1949 Hebb memperkenalkan model neuron yang dapat menentukan pemboboran dan bias secara iteratif Algoritma pelatihan Hebb dengan vektor input s dan target t : – Inisialisasi semua bobot = 0 dan b = 0 – Set masukan p i = s i (i=1,2, …… R) – Set keluaran a = t – Perbaiki bobot : w i (baru) = w i (lama) +  w dengan  w = p i t – Perbaiki bias : b(baru) =b(lama) +  b dengan  b = t

17 Contoh Soal 1.5 Buat jaringan Hebb untuk menyatakan fungsi logika AND jika representasi yang dipakai adalah : a). Masukan dan keluaran biner b). Masukan biner dan keluaran bipolar c). Masukan dan keluaran bipolar Jawab : a) MasukanTarget p1p1 p2p2 1t  f w1w1 w2w2 p1p1 p2p2 na 1 b Pola hubungan masukan-target :

18 MasukanTargetPerubahan bobot  w = p i t  b = t Bobot baru w baru = w lama +  w b baru = b lama +  b p1p1 p2p2 1t w1w1 w2w2 bb w1w1 w2w2 b Inisiasi w 1 = 1, w 2 = 1, b = 1 p1p1 p2p2 n = p 1 w 1 +p 2 w 2 + ba = f(n) = = = = 31 Keluaran  target  Jaringan Hebb tidak dapat ‘mengerti’ pola yang dimaksud Hasil pelatihan : Hasil akhir :

19 b) MasukanTarget p1p1 p2p2 1t Pola hubungan masukan-target : MasukanTargetPerubahan bobot  w = p i t  b = t Bobot baru w baru = w lama +  w b baru = b lama +  b p1p1 p2p2 1t w1w1 w2w2 bb w1w1 w2w2 b Inisiasi Hasil pelatihan : w 1 = 0, w 2 = 0, b = - 2

20 p1p1 p2p2 n = p 1 w 1 +p 2 w 2 + ba = f(n) = = = = -2 Hasil akhir : w 1 = 0, w 2 = 0, b = - 2 Keluaran  target  Jaringan Hebb tidak dapat ‘mengerti’ pola yang dimaksud c) MasukanTarget p1p1 p2p2 1t Pola hubungan masukan-target :

21 MasukanTargetPerubahan bobot  w = p i t  b = t Bobot baru w baru = w lama +  w b baru = b lama +  b p1p1 p2p2 1t w1w1 w2w2 bb w1w1 w2w2 b Inisiasi w 1 = 2, w 2 = 2, b = -2 p1p1 p2p2 n = p 1 w 1 +p 2 w 2 + ba = f(n) = = = = 21 Keluaran = target  Jaringan Hebb ‘mengerti’ pola yang dimaksud Keberhasilan jaringan Hebb tergantung pada representasi masukan dan target Hasil pelatihan : Hasil akhir :

22 Latihan Soal 1.3 Buat jaringan Hebb untuk mengenali pola pada tabel di bawah ini Jawab : p1p1 p2p2 p3p3 1t MasukanTargetPerubahan bobot  w = p i t  b = t Bobot baru w baru = w lama +  w b baru = b lama +  b p1p1 p2p2 p3p3 1t w1w1 w2w2 w3w3 bb w1w1 w2w2 w3w3 b Inisialisasi Hasil pelatihan :

23 p1p1 p2p2 p3p3 Tn = p 1 w 1 +p 2 w 2 + p 3 w 3 +ba = f(n) Hasil Akhir : w 1 =, w 2 =,w 3 =, b =


Download ppt "JARINGAN SYARAF TIRUAN  BAB 1 PENDAHULUAN  Neuron McCulloch-Pitts (1943)  Neuron Hebb (1949)  BAB 2 PERCEPTRON  BAB 3 ADALINE  BAB 4 BACK PROJECTION."

Presentasi serupa


Iklan oleh Google