MODUL 6

ADALINE
6.1. Pendahuluan
Adaline (Adaptif Linear Neuron) memiliki bobot koneksi dari unit masukan yang
dapat dilatih dengan aturan delta . Dalam aturan ini galat (error)

dapat

diminimalisasikan.

6.2. Arsitektur Jaringan

Arsitektur Adaline terdiri dari unit Neuron keluaran tunggal yang menerima
masukan dari beberapa unit. Unit keluaran tersebut juga menerima masukan dari unit
sel bias yang sinyalnya selalu bernilai 1. Dibawah ini diperlihatkan arsitektur jaringan
Adaline:

Gambar 6-1 Arsitektur jaringan Adaline

6.3. Algoritma Jaringan Adaline
Alagoritma jaringan Adaline terdiri dari langkah-langkah sebagai berikut:
Langkah 0 . Inisialisasi bobot (ambil nilai acak yang kecil)
Tetapkan laju pelatihan . (Umumnya diambil nilai yang kecil, misal 0,1)
atau rentang nilai 0,1 1.

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

Langkah 1. Selama kondisi berhenti bernilai false, lakukan langkah-langkah sebagai

berikut:
a.

Untuk setiap pasangan input-output (s-t) lakukan

beberapa langkah berikut:

(i)

Tetapkan aktivasi unit masukan

X i = S i dimana i= 1,2,3,..n

(ii)

Hitung masukan neto yang diberikan ke unit keluaran dengn

fungsi aktivasi bipolar.

Yin = b + X i .Wi
i

(iii)

Perbaharui bobot dan bias jika terjadi error:

b(baru ) = b(lama ) + (t Yin )
W (baru ) = W (lama ) + (t Yin ) X i

b.

Tes kondisi berhenti.

Bila perubahan bobot terbesar yang terjadi pada langkah a lebih
kecil dari pada toleransi yang ditentukan, maka berhenti; bila tidak
maka lanjutkan.

Contoh -1
Akan dibuat jaringan syaraf tiruan Adaline untuk melakukan pembelajaran terhadap
fungsi AND dengan input dan target sebagai berikut: Fungsi aktivasi yang digunakan
adalah bipolar, dan nilai laju pelatihan ( ) yang ditetapkan = 0.1.
Input
-1
-1
1
1

Target
-1
-1
-1
1

-1
1
-1
1

Penyelesaian:

Inisialisasi bobot awal W1 = 0.1, W2 = 0.1

Tetapkan laju pelatihan ( ) = 0.1

Tetapkan fungsi aktifasi bipolar pada sel keluaran y = t

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

Lakukan proses pembelajaran secara berurutan dengan 4 pasangan data

pelatihan:

Data ke-1

Yin = b + X i .Wi = 0 + ( 1)( 0.1) + ( 1)( 0.1) = 0.2

i

W1 = 0.1 + (0.1)( 1 ( 0.2))( 1) = 0.18

W2 = 0.1 + (0.1)( 1 ( 0.2))( 1) = 0.18
b = 0 + (0.1)( 1 ( 0.2)) = 0.08

Data ke-2

Yin = b + X i .Wi = 0 + ( 1)( 0.1) + (1)( 0.1) = 0

i

W1 = 0.18 + (0.1)( 1 (0))( 1) = 0.28

W2 = 0.18 + (0.1)( 1 (0))( 1) = 0.08
b = 0.08 + (0.1)( 1 (0)) = 0.18

Data ke-3

Yin = b + X i .Wi = 0 + (1)( 0.1) + (1)( 0.1) = 0

i

W1 = 0.28 + (0.1)( 1 (0))( 1) = 0.18

W2 = 0.08 + (0.1)( 1 (0))( 1) = 0.18
b = 0.18 + (0.1)( 1 (0)) = 0.28

Data ke-4

Yin = b + X i .Wi = 0 + (1)( 0.1) + (1)( 0.1) = 0.2

i

W1 = 0.18 + (0.1)(1 (0.2))( 1) = 0.26

W2 = 0.18 + (0.1)(1 (0.2))( 1) = 0.26
b = 0.28 + (0.1)(1 (0.2)) = 0.2

Pada akhir pembelajaran diperoleh bobot akhir W1 = 0.26,W2 = 0.26, dan

b =

-0.2.
-

Proses pengujian dilakukan dengan mengambil data-data pelatihan dan

keluarannya dihitung dengan menggunakan fungsi aktivasi bipolar.

Untuk data pelatihan ke-1, diperoleh:

Y1 = (W1 . X 1 ) + (W2 . X 2 ) +b
Y1 = (0.26 ).( 1) + (0.26 ).( 1) + ( 0.2) = 0.72 1 (terbukti Y1 = t1 )

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

Untuk data pelatihan ke-2, diperoleh:

Y2 = (W1 . X 1 ) + (W2 . X 2 ) +b
Y2 = (0.26 ).( 1) + (0.26 ).( 1) + ( 0.2) = 0.2 1 (terbukti Y2 = t2 )

Untuk data pelatihan ke-3, diperoleh:

Y3 = (W1 . X 1 ) +(W2 . X 2 ) +b
Y3 = (0.26 ).( 1) +(0.26 ).( 1) +( 0.2) = 0.2 1 (terbukti Y3 = t3 )

Untuk data pelatihan ke-4, diperoleh:

Y4 = (W1 . X 1 ) + (W2 . X 2 ) +b
Y4 = (0.26 ).( 1) + (0.26 ).( 1) + (0.2) = 0.32 1 (terbukti Y4 = t4 )

Perhitungan matematis dengan Matlab dapat dituliskan sebagai berikut:

%--------------------------------------------------%Perhitungan Matematis untuk Model Jaringan Adaline
%--------------------------------------------------clear;
clc;
%Pembentukan fungsi logika AND
%---------------------------%inisialisasi input
x1_1=-1;x1_2=-1;x1_3=1;x1_4=1;
x2_1=-1;x2_2=1;x2_3=-1;x2_4=1;
%inisialisasi keluaran target
T_1=-1;T_2=-1;T_3=-1;T_4=1;
%inisialisasi bobot awal (W) dan bias (b),learning rate(n)
w1_awal=0.1;w2_awal=0.1;b_awal=0;n=0.1;
%Perhitungan dalam proses pembelajaran jaringan
%---------------------------------------------%data ke-1
y1_data1=b_awal+(x1_1*w1_awal)+(x2_1*w2_awal);
w1_data1=(w1_awal)+(n*(T_1-y1_data1))*x1_1;
b_data1=b_awal+(n*(T_1-y1_data1));
%data ke-2

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

y2_data2=b_awal+(x1_2*w1_awal)+(x2_2*w2_awal);
w1_data2=(w1_data1)+(n*(T_2-y2_data2))*x1_2;
b_data2=b_data1+(n*(T_2-y2_data2));
%data ke-3
y3_data3=b_awal+(x1_3*w1_awal)+(x2_3*w2_awal);
w1_data3=(w1_data2)+(n*(T_3-y3_data3))*x1_3;
b_data3=b_data2+(n*(T_3-y3_data3));
%data ke-4
y4_data4=b_awal+(x1_4*w1_awal)+(x2_4*w2_awal);
w1_data4=(w1_data3)+(n*(T_4-y4_data4))*x1_4
b_data4=b_data3+(n*(T_4-y4_data4))
%Pengujian hasil pelatihan
%-------------------------%untuk data pelatihan ke-1
y1=((w1_data4*x1_1)+(w2_data4*x2_1)+b_data4);
if y1 <=0,y1=-1;
else y1= 1; end
y1=y1
%untuk data pelatihan ke-2
y2=((w1_data4*x1_2)+(w2_data4*x2_2)+b_data4);
if y2 <=0,y2=-1;
else y2= 1; end
y2=y2
%untuk data pelatihan ke-3
y3=((w1_data4*x1_3)+(w2_data4*x2_3)+b_data4);
if y3 <=0,y3=-1;
else y3= 1; end
y3=y3
%untuk data pelatihan ke-4

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

y4=((w1_data4*x1_4)+(w2_data4*x2_4)+b_data4);
if y4 <=0,y4=-1;
else y4= 1; end
y4=y4
Jika Matlab di running maka akan menghasilkan:
>>
w1_data4 = 0.2600
w2_data4 = 0.2600
b_data4 = -0.2000
y1 =

-1

y2 =

-1

y3 =

-1

y4 =

Contoh -2
Akan dibuat jaringan syaraf tiruan Adaline untuk melakukan pembelajaran terhadap
fungsi OR dengan input dan target sebagai berikut: Fungsi aktivasi yang digunakan
adalah bipolar, dan nilai laju pelatihan ( ) yang ditetapkan = 0.1.
Input
-1
-1
1
1

Target
-1
1
1
1

-1
1
-1
1

Penyelesaian:

Inisialisasi bobot awal W1 = 0.2, W2 = 0.2

Tetapkan laju pelatihan ( ) = 0.1

Tetapkan fungsi aktifasi bipolar pada sel keluaran y = t

Lakukan proses pembelajaran secara berurutan dengan 4 pasangan data

pelatihan:

Data ke-1

Yin = X i .Wi = 0 + (1)( 0.1) + (1)( 0.1) = 0.2

i

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

W1 = 0.1 + (0.1)( 1 (0.2))( 1) = 0.18

W2 = 0.1 + ( 1 ( 0.2))( 1) = 0.18
b = 0 + (0.1)( 1 ( 0.2)) = 0.08

Data ke-2

Yin = b + X i .Wi = 0 + ( 1)( 0.1) + (1)( 0.1) = 0

i

W1 = 0.18 + (0.1)( 1 (0))( 1) = 0.28

W2 = 0.18 + (0.1)( 1 (0))( 1) = 0.08
b = 0.08 + (0.1)( 1 (0)) = 0.18

Data ke-3

Yin = b + X i .Wi = 0 + (1)( 0.1) + (1)( 0.1) = 0

i

W1 = 0.28 + (0.1)( 1 (0))( 1) = 0.18

W2 = 0.08 + (0.1)( 1 (0))( 1) = 0.18
b = 0.18 + (0.1)( 1 (0)) = 0.28

Pada akhir pembelajaran diperoleh bobot akhir W1 = 0.3 ,W2 = 0.3, dan
-

b = -0.3.

Proses pengujian dilakukan dengan mengambil data-data pelatihan dan

keluarannya dihitung dengan menggunakan fungsi aktivasi bipolar.

Untuk data pelatihan ke-1, diperoleh:

Y1 = (W1 . X 1 ) + (W2 . X 2 ) +b
Y1 = (0.26 ).( 1) + (0.26 ).( 1) + ( 0.2) = 0.72 1 (terbukti Y1 = t1 )

Untuk data pelatihan ke-2, diperoleh:

Y2 = (W1 . X 1 ) + (W2 . X 2 ) +b
Y2 = (0.26 ).( 1) + (0.26 ).( 1) + ( 0.2) = 0.2 1 (terbukti Y2 = t2 )

Untuk data pelatihan ke-3, diperoleh:

Y3 = (W1 . X 1 ) +b
Y3 = (0.26 ).( 1) +(0.26 ).( 1) +( 0.2) = 0.2 1 (terbukti Y3 = t3 )

Untuk data pelatihan ke-4, diperoleh:

Y4 = (W1 . X 1 ) + (W2 . X 2 ) +b
Y4 = (0.26 ).( 1) + (0.26 ).( 1) + (0.2) = 0.32 1 (terbukti Y4 = t4 )

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

Perhitungan matematis dengan Matlab dapat dituliskan sebagai berikut:

%--------------------------------------------------%Perhitungan Matematis untuk Model Jaringan Adaline
%--------------------------------------------------clear;
clc;
%Pembentukan fungsi logika AND
%---------------------------%inisialisasi input
x1_1=-1;x1_2=-1;x1_3=1;x1_4=1;
x2_1=-1;x2_2=1;x2_3=-1;x2_4=1;
%inisialisasi keluaran target
T_1=-1;T_2=1;T_3=1;T_4=1;
%inisialisasi bobot awal (W) dan bias (b),learning rate(n)
w1_awal=0.1;w2_awal=0.1;b_awal=0;n=0.1;
%Perhitungan dalam proses pembelajaran jaringan
%---------------------------------------------%data ke-1
y1_data1=b_awal+(x1_1*w1_awal)+(x2_1*w2_awal);
w2_data1=(w2_awal)+(n*(T_2-y1_data1))*x2_1;
b_data1=b_awal+(n*(T_1-y1_data1));
%data ke-2
y2_data2=b_awal+(x1_2*w1_awal)+(x2_2*w2_awal);
w1_data2=(w1_data1)+(n*(T_2-y2_data2))*x1_2;
w2_data2=(w2_data1)+(n*(T_2-y2_data2))*x2_2;
b_data2=b_data1+(n*(T_2-y2_data2));
%data ke-3
y3_data3=b_awal+(x1_3*w1_awal)+(x2_3*w2_awal);
w1_data3=(w1_data2)+(n*(T_3-y3_data3))*x1_3;
b_data3=b_data2+(n*(T_3-y3_data3));
%data ke-4
y4_data4=b_awal+(x1_4*w1_awal)+(x2_4*w2_awal);

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

w1_data4=(w1_data3)+(n*(T_4-y4_data4))*x1_4
w2_data4=(w2_data3)+(n*(T_4-y4_data4))*x2_4
b_data4=b_data3+(n*(T_4-y4_data4))
%Pengujian hasil pelatihan
%-------------------------%untuk data pelatihan ke-1
y1=((w1_data4*x1_1)+(w2_data4*x2_1)+b_data4);
else y1= 1; end
y1=y1
%untuk data pelatihan ke-2
y2=((w1_data4*x1_2)+(w2_data4*x2_2)+b_data4);
else y2= 1; end
y2=y2
%untuk data pelatihan ke-3
y3=((w1_data4*x1_3)+(w2_data4*x2_3)+b_data4);
else y3= 1; end
y3=y3
%untuk data pelatihan ke-4
y4=((w1_data4*x1_4)+(w2_data4*x2_4)+b_data4);
else y4= 1; end
y4=y4
Jika Matlab di running maka akan menghasilkan:
y1 =

-1

y2 =

y3 =

y4 =

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN