Pertemuan 6 JARINGAN ASSOCIATIVE Matakuliah : H0434/Jaringan Syaraf Tiruan Tahun : 2005 Versi : 1 Pertemuan 6 JARINGAN ASSOCIATIVE

Menjelaskan konsep Associative Learning Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Menjelaskan konsep Associative Learning

Outline Materi Arsitektur Jaringan Learning Rule

a = hardlim ( wp + b ) = hardlim ( wp – 0.5 ) JARINGAN ASSOCIATIVE Asosiator Pisang a = hardlim ( wp + b ) = hardlim ( wp – 0.5 )

STIMULUS DAN RESPONSE

ASSOCIATOR PISANG a = hardlim ( w0p0 + wp + b )

Diinginkan jaringan mengasosiasikan bentuk pisang dan bukan bau pisang dengan suatu respons yang menunjukkan buah adalah pisang. Persoalan dapat diselesaikan dengan memilih bobot sbb : w0 = 1 dan w = 0 Fungsi asosiasi input/output untuk pisang menjadi : a = hardlim ( p0 – 0.5 ) Jadi jaringan akan memberikan respons jika pisang terlihat pada input ( p0 = 1 ) tidak tergantung pada apakah terbau pisang atau tidak

UNSUPERVISED HEBB RULE wij(q) = wij( q-1 ) +  ai( q ) pj( q ) Hebb Rule dalam bentuk vektor : W(q) = W( q-1 ) +  a( q ) pT( q )

HEBB RULE PADA ASSOCIATOR PISANG Gunakan Hebb Rule pada asosiator pisang dengan nilai awal : w0 = 1 dan w(0) = 0 Asosiator selalu diberi input pisang tetapi sensor bau bekerja terus menerus sedang kan sensor bentuk bekerja terputus-putus ( bekerja dan tidak bekerja bergantian ) sehingga urutan pelatihan untuk input sbb : { p0(1) = 0, p(1) = 1 }, { p0(2) = 1, p(2) = 1 }, { p0(3) = 0, p(3) = 1 }………………

a(1) = hardlim ( w0p0(1) + w(0) p(1) – 0.5 ) ITERASI PERTAMA Learning Rate  =1 a(1) = hardlim ( w0p0(1) + w(0) p(1) – 0.5 ) a(1) = hardlim ( 1.0 + 0.1 – 0.5 ) = 0 ( tak ada respons ) Tanpa respons, aturan Hebb tidak mengubah bobot w. w(1) = w(0) + a(1) p(1) = 0 + 0.1 = 0

a(2) = hardlim ( w0p0(2) + w(1) p(2) – 0.5 ) ITERASI KEDUA a(2) = hardlim ( w0p0(2) + w(1) p(2) – 0.5 ) a(2) = hardlim ( 1.1 + 0.1 – 0.5 ) = 1 ( pisang ) aturan Hebb akan menaikkan bobot diantaranya menurut : w(2) = w(1) + a(2) p(2) = 0 + 1.1 = 1

a(3) = hardlim ( w0p0(3) + w(2) p(3) – 0.5 ) ITERASI KETIGA a(3) = hardlim ( w0p0(3) + w(2) p(3) – 0.5 ) a(3) = hardlim ( 1.0 + 1.1 – 0.5 ) = 1 ( pisang ) Ternyata jaringan masih mengenali pisang dari baunya walaupun bentuk pisang tidak terdeteksi.

Tidak ada mekanisme untuk bobot mengecil nilainya. KEKURANGAN HEBB RULE Jika pemberian input diteruskan dan bobot terus di update, maka bobot akan menjadi besar sekali. Hal ini tidak mungkin terjadi pada sistem biologis. Tidak ada mekanisme untuk bobot mengecil nilainya.

W(q) = W( q-1 ) +  a( q ) pT( q ) - W( q-1 ) HEBB RULE DENGAN DECAY W(q) = W( q-1 ) +  a( q ) pT( q ) - W( q-1 ) W(q) = ( 1 -  )W( q-1 ) +  a( q ) pT( q )  adalah decay rate yang merupakan bilangan positip konstan kurang dari 1. Nilai bobot maksimal dalam bentuk skalar :