HEBB

PENDAHULUAN
Hebb merupakan metoda pembelajaran sederhana jaringan saraf tiruan yang pertama kali digunakan untuk pengenalan pola. Bobot antar neuron akan meningkat bila 2 neuron menembak pada saat yang sama atau bila 2 neuron tidak menembak pada saat yang sama.

ARSITEKTUR JARINGAN HEBB

Jaringan Hebb menggunakan arsitektur lapisan tunggal yang terdiri dari 1 lapisan input dan 1 lapisan output. Setiap neuron di lapisan input berhubungan dengan neuronneuron di lapisan output dengan suatu bobot keterhubungan (w), tetapi neuron-neuron pada lapisan yang sama tidak saling berhubungan. Contoh arsitektur Hebb yang terdiri dari 2 neuron input (X) dan 1 bias (bobot keterhubungan yang nilai inputnya selalu 1) serta 2 neuron output (Y) dapat dilihat pada gambar 1.
1

b2
X1

b1 w11
Y1

w12

w21
Y2

X2

w22
Gambar 1. Arsitektur Hebb

PROSES PEMBELAJARAN HEBB

Nilai bobot yang baru (wi (baru)) didapat dari penambahan nilai bobot yang lama (wi (lama)) dengan nilai perubahan bobotnya ( w), atau dapat dituliskan sebagai :
wi ( baru ) = wi ( lama ) + wi

sedangkan nilai perubahan bobot didapat dari

wi = xi y i
=y b

dan untuk perubahan biasnya adalah

Proses pembelajaran akan berhenti jika syarat hentinya dipenuhi. Hebb menggunakan separabilitas linier untuk menghentikan proses pembelajarannya, jika separabilitas liniernya belum terpenuhi maka proses pembelajaran akan berjalan terus. Selain itu separabilitas linier digunakan juga dalam proses pengenalan Algoritma Pembelajaran Langkah 0: Inisialisasi semua bobot wi = 0 (i = 1..n); b = 0; Langkah 1: Untuk setiap pasangan vektor (s & t), kerjakan langkah 2-5. Langkah 2: Tentukan nilai aktifasi unit input xi = si Langkah 3: Tentukan nilai aktifasi unit output yi = ti. Langkah 4: Update nilai bobot dan bias wi(baru) = wi(lama) + xiyi . b(baru) = b(lama) + yi . Langkah 5: Periksa syarat henti dengan menggunakan separabilitas linier. Algoritma Pengenalan Gunakan Separabilitas Linier dari hasil pembelajaran.

CONTOH
Metoda Hebb digunakan untuk pengenalan pola fungsi logika AND 2 input dengan data input dan data output berbentuk bipolar. - Data Pembelajaran Tabel Kebenaran fungsi logika AND dengan data input dan output bipolar. X1 1 1 -1 -1 X2 1 -1 1 -1 t 1 -1 -1 -1

- Arsitektur Jaringan Dari tabel kebenaran di atas terlihat bahwa ada 2 input dan 1 output, dengan demikian pada lapisan input ada 2 neuron dan 1 bias serta 1 neuron pada lapisan output.

X1

w1
Y

X2

w2

Gambar 1. Arsitektur AND 2 input

Proses Pembelajaran

Langkah 0: w1 = 0 ; w2 = 0 ; b=0 Langkah 1: Untuk setiap pasangan vektor (s & t), kerjakan langkah 2-5. Langkah 2: x1= 1 ; x2= 1 ; Langkah 3: y = 1 Langkah 4: w1= w1 + x1y = 0 + 1.1 = 1 w2= w2 + x2y = 0 + 1.1 = 1 b=b+y=0+1=1 Langkah 5: Separabilitas linier. x2 b + w1x1 + w2x2 = 0 x2 = -x1 -1 1 + 1. x1 + 1. x2 = 0 x2 = - x1 1 -1
-1 1 Dari gambar di samping terlihat letak Data pembelajaran : x1= 1 ; x2= 1 ; t = 1 (+) di atas garis pemisah x1= 1 ; x2= -1 ; t = -1 (-) di atas garis pemisah x1= -1 ; x2= 1 ; t = -1 (-) di atas garis pemisah x1= -1 ; x2= -1 ; t = -1 (+) di bawah garis pemisah Garis pemisah tidak memisahkan output terespon positip di satu sisi dan yang berespon negatip di sisi yang lain, sehingga garis pemisah tersebut bukan solusi yang benar. x

Pembelajaran dilanjutkan kembali dengan menggunakan bobot yang baru yaitu : w1 = 1 ; w2 = 1 ; b = 1. Data pembelajaran berikutnya yang digunakan adalah : x1= 1 ; x2= -1 ; t = -1. Jika garis pemisah yang didapatkan belum dapat memisahkan daerah terespon positip dengan daerah yang terespon negatip maka pembelajaran dilanjutkan kembali. Pembelajaran akan berhenti jika garis pemisah yang didapatkan sudah dapat memisahkan daerah terespon positip dengan daerah yang terespon negatip. Pada pembelajaran AND ini pembelajaran berhenti (berhasil) pada saat nilai bobot keterhubungannya adalah : w1 = 1 ; w2 = 1 ; b = 1. Garis pemisah yang didapat adalah sebagai berikut :

x2 x2 = -x1 -1 -1 -1 x1

Dari gambar di samping terlihat letak datapembelajaran x1= 1 ; x2= 1 ; t = 1 (+) di atas garis pemisah x1= 1 ; x2= -1 ; t = -1 (-) di atas garis pemisah x1= -1 ; x2= 1 ; t = -1 (-) di atas garis pemisah x1= -1 ; x2= -1 ; t = -1 (+) di bawah garis pemisah

Gambar 2. Garis pemisah hasil pembelajaran AND

Garis pemisah berhasil memisahkan output terespon positip di satu sisi dan yang berespon negatip di sisi yang lain, sehingga garis pemisah tersebut merupakan solusi yang benar. Proses Pengenalan

Proses pengenalan dilakukan dengan menggunakan garis pemisah hasil dari pembelajaran yang terdapat pada gambar 2. Untuk mengetahui output dari x1= 1 ; x2= 1 maka titik tersebut dipetakan pada gambar 2. Titik tersebut terletak di atas garis (daerah terespon postip), dengan demikian nilai outputnya adalah 1.