TEKNIK INFORMATIKA

UNIVERSITAS ISLAM KALIMANTAN (UNISKA) MUHAMMAD ARSYAD AL BANJARY

Nur Alamsyah M Kom

Model Hebb
Diusulkan oleh Donald Olding Hebb pada th 1949 Metode pengembangan dari metode McCulloch-Pitts yang Menentukan bobot dan bias secara analitik (coba-coba). Hebb memperkenalkan cara menghitung bobot (w) dan bias (b) secara iteratif (otomatis tanpa harus mencoba-coba) dan Pembelajaran dilakukan dengan memperbaiki nilai bobot secara continue.

TEKNIK INFORMATIKA
UNIVERSITAS ISLAM KALIMANTAN (UNISKA) MUHAMMAD ARSYAD AL BANJARY

Model Hebb
Perbaikan bobot diperoleh dengan cara wi(baru) = wi(lama) + xi*y b(baru) = b(lama) + y dengan: wi = bobot data input ke-i xi = input data ke-i y = output data b = nilai bias
TEKNIK INFORMATIKA
UNIVERSITAS ISLAM KALIMANTAN (UNISKA) MUHAMMAD ARSYAD AL BANJARY

Algoritma Hebb
Algoritma pelatihan Hebb: 1. Inisialisasi bobot dan bias:
b=0 2. Untuk setiap pasangan input-target (s-t),dilakukan: a. Set masukan xi = si (i=1,2, , n) b. Set keluaran y = t 3. Perbaiki bobot menurut persamaan berikut: Wi (baru) = Wi (lama) + xi * Y; 4. Perbaiki bias menurut persamaan berikut: b (baru) = b(lama) + y

wi = 0;

i=1,2,.,n;

Model Hebb
Contoh : Buatlah jaringan Hebb untuk mengenali pola fungsi logika AND dengan representasi masukan dan keluaran sebagai berikut: 1. Masukan binner, keluaran binner 2. Masukan binner, keluaran bipolar 3. Masukan bipolar, keluaran bipolar

TEKNIK INFORMATIKA
UNIVERSITAS ISLAM KALIMANTAN (UNISKA) MUHAMMAD ARSYAD AL BANJARY

Model Hebb
1. Masukan binner, keluaran binner Tabel Kebenaran AND Target (y)

1
1 0

1
0 1

1
0 0

TEKNIK INFORMATIKA
UNIVERSITAS ISLAM KALIMANTAN (UNISKA) MUHAMMAD ARSYAD AL BANJARY

Model Hebb
Arsitektur Jaringan Hebb untuk menyatakan fungsi logika AND

X1
wi

X2

w2 b

Net = . +

F(net)

Algoritma Pelatihan Hebb Inisialisasi bobot dan bias : w1 = 0

Model Hebb
w2 = 0 b= 0

Data ke- 1 : x1 = 1 x2 = 1 y = 1 (Target) Perubahan bobot dan bias untuk data ke- 1 W1 (baru) = W1 (lama) +

x1 * Y

= 0 + 1.1 =1 W2 (baru) = W2 (lama) + x2 * Y = 0 + 1.1 =1 b (baru) = b (lama) + Y =0+1 =1

Model Hebb
Data ke- 2 : x1 = 1 x2 = 0 y = 0 (Target)

Perubahan bobot dan bias untuk data ke- 2

W1 (baru) = W1 (lama) +

x1 * Y

= 1 + 1.0 =1 W2 (baru) = W2 (lama) + x2 * Y = 1 + 0.0 =1 b (baru) = b (lama) + Y =1+0 =1

Model Hebb
Data ke- 3 : x1 = 0 x2 = 1 y = 0 (Target)

Perubahan bobot dan bias untuk data ke- 3

W1 (baru) = W1 (lama) +

x1 * Y

= 1 + 0.0 =1 W2 (baru) = W2 (lama) + x2 * Y = 1 + 1.0 =1 b (baru) = b (lama) + Y =1+0 =1

Model Hebb
Data ke- 4 : x1 = 0 x2 = 0 y = 0 (Target)

Perubahan bobot dan bias untuk data ke- 4

W1 (baru) = W1 (lama) +

x1 * Y

= 1 + 0.0 =1 W2 (baru) = W2 (lama) + x2 * Y = 1 + 0.0 =1 b (baru) = b (lama) + Y =1+0 =1 Diperoleh nilai bobot dan bias: w1 = 1 w2 = 1

b= 1

Model Hebb
Diperoleh nilai bobot dan bias: w1 = 1 w2 = 1 x1 1 1 0 0 x2 1 0 1 0 Net = b= 1 = , , < 1 1 1 1

x i . wi + b

1.1+1.1+1 = 3 1.1+0.1+1= 2 0.1+1.1+1= 2 0.1+0.1+1= 1

Terlihat bahwa nilai f(net) tidak sama dengan target yang diinginkan pada fungsi logika AND, ini bearti utk masukan binner dan keluaran binner dua input, jaringan tidak bisa mengenali .

Model Hebb
2. Masukan binner, keluaran bipolar Tabel Kebenaran AND Target (y)

1
1 0

1
0 1

1
-1 -1

-1

Algoritma Pelatihan Hebb Inisialisasi bobot dan bias : w1 = 0

Model Hebb
w2 = 0 b= 0

Data ke- 1 : x1 = 1 x2 = 1 y = 1 (Target) Perubahan bobot dan bias untuk data ke- 1 W1 (baru) = W1 (lama) +

x1 * Y

= 0 + 1.1 =1 W2 (baru) = W2 (lama) + x2 * Y = 0 + 1.1 =1 b (baru) = b (lama) + Y =0+1 =1

Model Hebb
Data ke- 2 : x1 = 1 x2 = 0 y = -1 (Target)

Perubahan bobot dan bias untuk data ke- 2

W1 (baru) = W1 (lama) +

x1 * Y

= 1 + 1.(-1) =0 W2 (baru) = W2 (lama) + x2 * Y = 1 + 0.(-1) =1 b (baru) = b (lama) + Y = 1 + (-1) =0

Model Hebb
Data ke- 3 : x1 = 0 x2 = 1 y = -1 (Target)

Perubahan bobot dan bias untuk data ke- 3

W1 (baru) = W1 (lama) +

x1 * Y

= 0 + 0.(-1) =0 W2 (baru) = W2 (lama) + x2 * Y = 1 + 1.(-1) =0 b (baru) = b (lama) + Y = 0 + (-1) = -1

Model Hebb
Data ke- 4 : x1 = 0 x2 = 0 y = -1 (Target)

Perubahan bobot dan bias untuk data ke- 4

W1 (baru) = W1 (lama) +

x1 * Y

= 0 + 0.(-1) =0 W2 (baru) = W2 (lama) + x2 * Y = 0 + 0.(-1) =0 b (baru) = b (lama) + Y = -1 + (-1) = -2 Diperoleh nilai bobot dan bias: w1 = 0 w2 = 0

b= -2

Model Hebb
Diperoleh nilai bobot dan bias: w1 = 0 w2 = 0 x1 1 1 0 0 x2 1 0 1 0 Net = b= -2 = , , < -1 -1 -1 -1

x i . wi + b

1.0 + 1.0 + (-2) = -2 1.0 + 0.0 + (-2) = -2 0.0 + 1.0 + (-2) = -2 0.0 + 0.0 +(-2) = -2

Terlihat bahwa nilai f(net) tidak sama dengan target yang diinginkan pada fungsi logika AND, ini bearti utk masukan binner dan keluaran bipolar dua input, jaringan tidak bisa mengenali .

Model Hebb
2. Masukan bipolar, keluaran bipolar Tabel Kebenaran AND Target (y)

1
1 -1

1
-1 1

1
-1 -1

-1

-1

-1

Algoritma Pelatihan Hebb Inisialisasi bobot dan bias : w1 = 0

Model Hebb
w2 = 0 b= 0

Data ke- 1 : x1 = 1 x2 = 1 y = 1 (Target) Perubahan bobot dan bias untuk data ke- 1 W1 (baru) = W1 (lama) +

x1 * Y

= 0 + 1.1 =1 W2 (baru) = W2 (lama) + x2 * Y = 0 + 1.1 =1 b (baru) = b (lama) + Y =0+1 =1

Model Hebb
Data ke- 2 : x1 = 1 x2 = -1 y = -1 (Target)

Perubahan bobot dan bias untuk data ke- 2

W1 (baru) = W1 (lama) +

x1 * Y

= 1 + 1.(-1) =0 W2 (baru) = W2 (lama) + x2 * Y = 1 + (-1).(-1) =2 b (baru) = b (lama) + Y = 1 + (-1) =0

Model Hebb
Data ke- 3 : x1 = -1 x2 = 1 y = -1 (Target)

Perubahan bobot dan bias untuk data ke- 3

x1 * Y = 0 + (-1).(-1) =1 W2 (baru) = W2 (lama) + x2 * Y = 2 + 1.(-1) =1 b (baru) = b (lama) + Y = 0 + (-1) = -1

W1 (baru) = W1 (lama) +

Model Hebb
Data ke- 4 : x1 = -1 x2 = -1 y = -1 (Target)

Perubahan bobot dan bias untuk data ke- 4

x1 * Y = 1 + (-1).(-1) =2 W2 (baru) = W2 (lama) + x2 * Y = 1 + (-1).(-1) =2 b (baru) = b (lama) + Y = -1 + (-1) = -2 Diperoleh nilai bobot dan bias: w1 = 2 w2 = 2
W1 (baru) = W1 (lama) +

b= -2

Model Hebb
Diperoleh nilai bobot dan bias: w1 = 2 w2 = 2 x1 1 1 -1 -1 x2 1 -1 1 -1 Net = b= -2 = , , < 1 -1 -1 -1

x i . wi + b

1.2 + 1.2 + (-2) = 2 1.2 + (-1).2 + (-2) = -2 (-1).2 + 1.2+ (-2) = -2 (-1).2 + (-1).2 +(-2) = -6

Terlihat bahwa nilai f(net) sama dengan target yang diinginkan pada fungsi logika AND, ini bearti utk masukan bipolar dan keluaran bipolar dua input, jaringan bisa mengenali pola logika AND

Pengenalan pola menggunakan Model Hebb

Diketahui dua buah pola seperti huruf T dan U, Gunakan jaringan Hebb untuk mengenali pola tersebut

karakter karakter

* *
* *

* *
*

* *
*

dalam pola diberi nilai = 1 dalam pola diberi nilai = -1

Pengenalan pola menggunakan Model Hebb

Setiap pola tersusun oleh matriks berukuran 3 x 3 = 9, berarti jaringan hebb yang akan dibentuk nantinya terdiri dari 9 input. Pola 1 = x1 x2 x3 x4 x5 x6 x7 x8 x9 x1 x2 x3 x4 x5 x6 x7 x8 x9 Input Pola 1 Pola 2 = = Target 1 -1

Pola 2 =

Pengenalan pola menggunakan Model Hebb

Algoritma pelatihan Hebb : Inisialisasi bobot dan bias Bobot : 1 = 2 = 3 = 4 = 5 = 6 = 7 = 8 = 9 = 0 Bias : b = 0 Pola ke 1 1 (baru) = 1 (lama) + 1 * Y 2 (baru) = 2 (lama) + 2 * Y 3 (baru) = 3 (lama) + 3 * Y 4 (baru) = 4 (lama) + 4 * Y 5 (baru) = 5 (lama) + 5 * Y 6 (baru) = 6 (lama) + 6 * Y 7 (baru) = 7 (lama) + 7 * Y 8 (baru) = 8 (lama) + 8 * Y 9 (baru) = 9 (lama) + 9 * Y (baru) = (lama) + Y

= 0 + 1.1 = 1 = 0 + 1.1 = 1 = 0 + 1.1 = 1 = 0 + (-1).1 = -1 = 0 + 1.1 = 1 = 0 + (-1).1 = -1 = 0 + (-1).1 = -1 = 0 + 1.1 = 1 = 0 + (-1).1 = -1 =0+1 =1

Pengenalan pola menggunakan Model Hebb

Pola ke 2 1 (baru) = 1 (lama) + 1 * Y 2 (baru) = 2 (lama) + 2 * Y 3 (baru) = 3 (lama) + 3 * Y 4 (baru) = 4 (lama) + 4 * Y 5 (baru) = 5 (lama) + 5 * Y 6 (baru) = 6 (lama) + 6 * Y 7 (baru) = 7 (lama) + 7 * Y 8 (baru) = 8 (lama) + 8 * Y 9 (baru) = 9 (lama) + 9 * Y (baru) = (lama) + Y

= 1 + 1.(-1 ) = 0 = 1 + (-1).(-1) = 2 = 1 + 1.(-1) = 0 = (-1)+ 1.(-1) = -2 = 1+ (-1).(-1) = 2 = (-1)+ 1.(-1) = -2 = (-1)+ (-1).(-1) = -2 = 1+ 1.(-1) = 0 = (-1) + 1.(-1) = -2 = 1 + (-1) =0

Pengenalan pola menggunakan Model Hebb

DIPEROLEH NILAI:

1 = 0, 2 = 2, 3 = 0 4 = -2 5 = 2 6 = -2 7 = -2 8 = 09 = -2 dan b = 0

Nilai-nilai ini dipakai untuk menguji seluruh data masukan, hasilnya : Net = w i . xi
+

w i . xi

karena b = 0

Pola ke- 1 Net : 0.1 + 2.1 + 0.1 + (-2)(-1) + 2.1 + (-2)(-1) + (-2)(-1) + 0.1 (-2)(-1) = 12 = = 1 (sama dengan Target) , , <

Pengenalan pola menggunakan Model Hebb

Pola ke- 2 Net : 0.1 + 2.(-1) + 0.1 + (-2).1 + 2.(-1) + (-2).1 + (-2).1 + 0.1 (-2).1 = -12 = = -1 (sama dengan Target) Jelas bahwa untuk kedua pola tersebut keluaran jaringan sama dengan terget yang diinginkan. Artinya jaringan ini bisa mengenali pola. , , <

TEKNIK INFORMATIKA
UNIVERSITAS ISLAM KALIMANTAN (UNISKA) MUHAMMAD ARSYAD AL BANJARY