BAB 1

\.. PtrNDAHULUAN

l.L Mengapa Jaringan Neural Buatan

Komputer tradisional (komputer berbasis Cigital
lojik) sangat'powerfr-rl' ttntuk menyelesaikan
banyak metsalah berdasarkan logika. Akan tetapi
komputer jenis ini juga mempr-rnyai banyak
kekurangan ttntuk dapat menyelesaikan
beberapa persoalan tipe lain (sedikit berkaitan
dengan rasa).
Cltil" \tn5[oP ' ]""'c$ indton)
JNB (Jaringan Neural Br-ratan) mulai
berkembang sejak tahun 50-an, dimotivasi
dengan keinginan untuk mengerti dan meniru
sebagian kekuatan otak, untuk menyelesaikan
beberapa persoalan yang lain tersebut.
Keberhasilan JI{B memang san gat lambat
dibandingkan dengan komputer digital (karena
ketidakjelasan pengertian) dan beberapa
kegagalan dasar dalam pengembangan JI{B
membuat ketidak-puasa n terhadap JNB.

t
7'

Tahtrn 1980-an, dengan perbaikan dalarn

beberapa faktor dasar itulah, maka JNB kembali
menunjukkan beberapa penggLlnaan yang
berart i.

1.2 Jaringan F{eural Buatan

JI\TB merLrpakan suzrtu sistiln pemroses informasi

yang mempLutyai karzrkteristik perl'ol'lltirnsi yang
mirip dengarr jaringan nuererl bioicgis.

JNB ini meruptkan generalisasi dari

permodeian matematis dalarn proses kognitif
berdasarkan asllmsi :

1. Pemrosesan informasi terjadi pada elemen

sederhana yang dinamakan neuron.
2. Sinyal antar neuron berhr-rbungan melalui
saluran penghubung.
3. setiap sah-rran penghubung mempunyai nilai
bobot, dan melakukan operasi perkalian
Cengan dengan sinyal yang ditranmisikan.
4. Setiap neuron mernberlakukan fungsi aktivasi
(biasanya tidak Iinier) perda masukan total

(.L

I
,'
 (bagi nelrron tsb), Lrntuk mendapatkan sinyal
keluaran nya.

Karakteristik JNB : di*tsi*qlrnn clq6. *

1.Arsitektur Jaringan : pola keterhubungan

lntar neLtron
2. Algoritma Jaringan (pelatihan, pembelajaran)
: metoda menentukan nilai bobot hubrngun.
3. Fungsi Aktivasi : menentr-rkan nilai kelrLran
berdasarkan nilai total masukannya.

Ji\irl dapat digunakan untuk :

1. Menyimpan dan rnemanggil data (pola)

2. Mengktas ifikasi pota-poii
3. Melakukan pemetaan dari pola-pola
masLlkan
kedalam pola-pola keluaran
4. Pemetaan berdasarkan pola-pola sejenis
5. Menyelesaikan persoalan opiimasi
terbatas

setiap nelrron mempunyai nirai aktivasi

(tingkat
+tivasi) yang merLrpakan l<arakteristik internal
(internal srate). Nilai aktivasi ini
merupakan

r.\
hasil perkzrlian antara fungsi aktivasi dengan
total masukan yang diterimanya. Nilai aktivasi Ei

inilah yang kemudian dikirirnkan ke neuron

berikutnya dalam jaringan.

Catatan: Dalam satu satuan waktlr, neliron hanya

bisar mengirim satu sinyal, akan tetapi sinya! ini
akan disebarkan keselLlrLllt neLrron yang
berhubunguul"

Lihat Gb.1 .1 "--u'

FOFJ
t
"ttd
t-l$ol.otJ W"
Vt\51'

Neuron Y menerima sinyal masukan dari

neuron-neLlron Xr, x2,X3. Nilai aktivasi dari
neuron-neltron pengirim adalah x t, xl.xr. Nilai
bobot htrbr-rngan zrntara X 1. Xz. X: dengan nelrron

1.1
Y adalah Wr,W2,W3. Total-masllkan neuron Y,
y-in, merlrpakan penjLrmlahan dari seluruh sinyal
X1, Xs,X3)ang telah dikalikan dengan nilai
bobot-bobotltya, yaitu :

,x, +UJ,X2 rLUi X r

S-*Oa[)
l.lilai aktifasi neuron Y merLlpal<an hasil dari
pengoperasian ftrngsi aktivasi terhadap nilai
rotal-masukan nelrron Y. Fungsi aktivasi ini bisa
berupa fi;ngsi logistik sigmoid (kurva bentuk s)

JC^) : I + axp(-''')

atau beberapa bentuk fungsi-fungsi yang lain.

Pembahasan fungsi-fungsi ini akan dibicarakan
kernudian.

r.$
 H ,,--@

"*@
Intrt [[ddcn Otrtput
Unitr Unicr Uniu

Apabila neuron Y ini dihubr-rngkan dengan

neuron Zl clan Z2 (Gb.1.2), maka neuron Y
akan mengirim sinyal y kesetiap neLrron Z yang
mempunyai nilai bobot hubungan v I dan v2.
Perlu diketahui bahwa nilai yang diterima oleh
masing-masing nellron Z akan berbeda karena
pembobotern yang berbeda.

Jaringan Neural Biolo,gis

Kemiripan antara JNB dengan sistim neural

biologis tidak menjadi perhatian utamzr. tetapi
kemampllan JI{B unttrk melakukan ttigas
tertentu (seperti membuat suatu fungsi) adalah
lebih penting sec ara fu ndamental.

fuqdula' f,llil, Co.r.flf, [r]t]:.\\..i'r'' 1'f,i ;r6r';v'{r."t'

lu',)'t)1\.,'
!\r\cn \t*-rd -

t,[
JNB memplrnyai struktr-tr yang mirip dengan
neuron biologis, yang melnpLlnyai dendrit, soma
dan axon. Dendrit menerima beberapa sinyal
masukan dari neuron tetangga. Sinyal-sinyal itr-r
merlrpakan impuls listrik yang dijalarkan
melah-ri celah sinerpsis oleh proses kimiawi.
Transmiter kimia merubah sinyal masukan
menggunakan teknik yang mirip dengan
pembobotan dalam JNB.

qo+****,*o
Axo from
Arptls Ncr,rron

syn"p,i"
/ \
Gap I
Arqrfmm
AmtlsNcuron

Soma rnerLlpakan tubuh sel, yang melakukan

proses peniLrmlahan sinyal-sinyal masllkan.
Apabila sin)/al mersukan telah melampaui

rl
 {uru)i,ahlitnf)
lf -
batasan tertentu, maka sel akan 'menenrbak'
dalam arti sel akan menjalarkan sinyerl keluaran
sel menujri ke sel-sel lain melalui axon.

Pada saat tertentu, sel mempunyai kemungkinan

'menembak' atalr 'tidak menembak'. Keadaan
*16g*.h
ini men-rpakan keadaan biner. Karena frekr-iensi
hs; penembakzur berubah (dengan waktu), maka
lry{rh sinyal keluaran dapat d i Iihat sebergai
t (sekumplrlan) sinyzrl (dalam beberapa szrtuan
waktu) yang memplrnyai besarzrn yang rendah
atau tinggi .,, 1,,.1,,',:\,,i,,\-.r,-,;',
,, i,i ,ruuo'."j ry-.., ll*-*'
' *''it"i' L'' 'tf\J
Penjalaran si,yal da'i nelrron te{acli apabilo
aksi-potensial karena perbedaan beberapa
konsentrasi ion-ion (K+,cl-, Na) antara bagian
dalam dan bagian Iuar axon

Beberapa feature sistim neural biologis yang

diserupakan fungsinya oleh JNB adalah :
1. Elemen pemroses menerima banyak sinyal
2. sinyal yang diterima sinapsis dimodifikasi '

dengan pembobotan
3. Elemen pemroses melakukan penjLrmlahan
sinyal yang telah dikalikan dengan bobotnya

t,8
*

4. Apabila nilai masukan telah melampaui nilai

tertentlr, nelrron menjalarkan sebuah sinyal
keluaran
5. sinyal keluaran dari neuron tertentu akan
menj alar melalui banyak cabang axon menlriu

Beberapa feature JI{B yang diilharni oleh sistim

biologis adalah :

6. Pemrosesan informasi bersifat lokal

7. Memori dibagi dalam :
LTM (long term merrrory) ber adadi sinapsis
neuron, dinyatakan dalam nilai bobotnya
sTM (short term mernory) berkaitan dengan
sinyal keluaran yang dikirim dari nelrron
8. Kekuatan sinapsis (pembobotan) dapat
berubah dengan pengalaman ptrnuet.rr.- '.
-)
9. Neurotransmitter dari sinapsis dapat bersifat
'penyalaan' (excitatory) ataupun
'pemadaman' (i n h ibi tory)

satu sifat lain yang juga clipunyai oleh sistim

neural biologis adalah 'fault tolerance'.
6\tA fi\urttl ,nJe , ,lo.lru0un ruiu\ G6,f\5&l, lr^^$r.r, '

t.1

.1
Sistim neural biologis bersifat 'fault tolerance
dalam dua arti :
1. Kita dapat mengenali banyak sinyal rnasukan
yang (sedikit) berbeda dengan sinyar yang
telah kita kenal

t
Conton- : kemamplran mengenali seseorang
il
GiffigrsHHibds} von e be I u f ern arr o iri., ut
sebelumnya (karena kemiripinfu cr
S*h"b) ?"rn& il{ikr
2. Kttamempu-nyai toleransi terhadap kerusakan

mengalami kerusakan neurai secara tetap,

akan tetapi kita rnasih dapat melakukan
'pembelqi*ran'. walo,,p,,n tidak ada
neural
pengganti, neurar tetangga, daram jaringan
akan dapat menggantikan f,ngsi n"urai
sebelumnya seterah rnerakukai pror.,
peybelajaran. Hal serupa dapat dilakukan
pula oleh JNB.

Ir0
1.3, Bidang Aplikasi Jl{B

studi JI{B merupakan riset antar biclang, baik

dalarn pengombangurn rnirlrpLrn cJararn
apiikasinya. Beber apa bidang riser yang
menggunakan JNB akan dibahas secara ringkas
dibawah ini :

(Pada dasarnya pengglrnaan JNIB adalah untuk

pemetaan, pengelompokan (clustering), dan
persoalan optimasi ter-batas, maka
pengklasifikasi pola atau pengasosiasi pola
merupakan bentuk lain dar-i masalah pemetaan).

Pemroses sinyal

Sebuah perrcegah echo adaptif sangat diperlukan

untuk kornunikasi telepon. Dalam sistim ini
sebuah filter adaptif ADALINIE (JI{B, di B
ab 2)
digunakan pada akh'ir sambungan, dan .

perbedaan antara sinyal lceluaran kornponen

komunikasi dan sinyar keluaran ADELINE
digunakan sebagai parameter untuk me.nglrbah
nilai bobot dalam JI{B. JI{B ini dilarih untuk
menghilangkan noise (echo) yang terjadi pada
sinyal keluaran komponen komunikasi tsb.

Proses Kontrol

Jaringan nelrral buatan juga digunakan untrik

mengontrol gerakan kemudi truk (peti kemas)
menuju ke posisi pemindah-peti. Informasi yang
tersedta adalah posisi bagian muka truk, posisi
bagian belakang tn-rk (gandengan), posisi
pemindah-peti, dan slrclut antara trurk dengan
posisi pernindah-peti. JNB berhasil'belajar'
mengemudikan tn-rk hingga mencapai posisi
pemindah-peti dengan baik

Pengenalan Pola

Pengenalan pola tulisan tangan merLlpakan salah

satu aplikasi JNB. Dengan cara tradisional
perbedaan ukuran, bentuk, dan posisi hurr-rf
tulisan tangan sangat menyulitkan untuk dapat
mengenali suatu pola. JNB (propagasi balik, Bab
6) dapat dengan baik menyelesaikan masalah ini.

lrt
Kedokteran

Pengenalan Suara

Ekonomi dan Bisnis

Dasar penekanan pembahasan adalah bentuk

arsitektr-rr jaringan dan metoda penentttan nilai
bobot (dengan llatihan'). Juga akan diterangkan
beberapa bentuk fgngsi ak-tivasi yang biasa
digunakan.
O gbaOh", t.ro[13 O* ;utl .

L.4.L Bentuk Arsitektur Jaringan

Neuron disusun dalam lapis yang sama

untukfungsi yang sama. -r s{h'r
hB**tyt
Frnlfi', 65r,annat,

Faktor kunci dalam menentukan kelakuan

neuron adalah fungsi aktivasi dan pola
I

keterhubungan berbobot antar neLlron.

u
 Dalam lapis maslrkan, setiap Llnit tidak
berh,bungan dengan sesa*i unit; tetapi
berhub,nga, dengan setiap Lrnit keruaran.
Demikian pula dengan uni:t dalam lapis
keluaran.

Jaringan Multi-Lapis

Jaringan mrlti-lapis dapat digambarkan

v.---L*rr \rcrr
dalam
Gb. 1.5.

Jaringan ini mempunyai ,\,cttLt

cttctu rebihrapisan
yang disebut sebagai lapis
tersernbunyi. ^
Lapisan ini te'l-to[ drant,ra lapis-maslrkan
dan

t.[.
mendistribusikan ke semua unit dalam lapis
berikutnya.

Jaringan Lapis Tunggal

I l-
..
Y1

rj

Y.

*--/
Inpirt Onc Laycr Otpu
Uniu o( Wciglrts UniE

Gb 1.4 melukiskan jaringan lapis runggal.

Jaringan ini hanya memprnyai satu lapis

hubungan berbobot. Jaringan lapis tunggal
terdiri dari satu lapis masukan yang menerima
sinyal dari luar, dan satu rapis kelr]urun yang
menghasilkan sinyal hasil kerja jaringan.

\.tf
 Dalam satu lapisan tertentu, nelrron mempunyai
fungsi aktivasi yang sama dan poia
keterhubungan yang sama pula.

Susunan nelrron dalam suatu lapisan dan pola

keterhubqngan dalarn lapisan dan antar lapisan,
dinamakan sebagai arsitektur jaringan

Arsitektur jaringan biasanya mempunyai lapis

masukan yang memplrnyai nilai aktiva si slama
dengan nilai sinyal masukannya.
cKhuu* *t{* t ri:
: rurrAe"t;

i. Lapis masukan (berisi unit-unit masukan)

2. Lapis keluaran (berisi unit-unit keluaran)
3.Lapis tersembunyi (berisi unit yang bukan
unit masukan mauplrn unit keruaran)

Jaringan nelrral dibedakan menjadi jaringan

lapis
tunggal dan jaringan mlrlti_lapis.

Dalam menenturkan jumrah lapisan, Iapis

masukan tidak dihitung, karena Iapi, *orr-,kan
ini tidak melak,kan komp,tasi sinyar, hanya

l.([
 lapi s-kelLral'an. Jaringan InLllti-lapis dapat
. merryelesail<an masalali yerng iebih sr"rlit
(dit,andingkan dengan jaringan lapis-ttrnggal),
aka n tetapi memerlukan proses pelatihan yang

I,apis-I(om petitif

l,apis kompetitif ini men-rpakan sebagian dari

rrrerupakan salah satu contoh lapis-kompetitif

t.i[,ua', ,', ,tt ' l\a",'rt'j"t"'-r'; \i1''r\ r "

7.4,LMenentukan Nilai Bobot Fqrrut*ti'H" ) -' :' F' ''r '' ''
Fry.'a(h'tlrt,-

Selain arsitektur jaringan, metoda menentukan

nilai bobot (melalui proses pelatihan) merupakan
karakteristik penting dari beraneka ragam iNB.
Terdapat dua tipe pelatihan :

1. Pelatihan dengan pengarahan (supervisecl)

2. Pelatihan tanpa pengarahan (unsupervisecl)
3. Tanpa pelatihan (clengctn bobot tetap)
 Pelatihan dengan-pengarahan

Pelatihan clilakukan dengan menyajikan secara

berurr:t pola-pora (vektor) rcttihan- tncts Lrkctn
bersama dengan vektor target-kehtctrctn yang

htrilai bobot kernudian dirr-rbah berdasarkan

algoritma p emb elajarane tertentn.
o&[',,'
t-o t.rO0.yldra^^ t'*rof'r."r lkur[T1|
E}}^'o'^ '
catatan : lsa rruixrlr+*n' t'qfr

P engasosicts i po lct merlrpakan kas,s

khlrslrs
dalam prctblenta peruetaun Keputusa,
diharapkan. bukan lagi merlrpuion 'ya, -yang
'tidak', inelainkan rnerlrpakin suatu atau
pora juga.

Apabi la iaringan dilatih untuk metxgr,sosiasikan

s ekelompok vektor
masukan dengan sekerom;;t
t ektor kelt:aran yang berkctitan,maka
jaringan
i ri dinamakan sebag;i jaringan
asosiatif memori.
$
hi3al, lig''rnrlra,. d.'^1'
t"hrnnoh;^ kt{isval

r.tB
 Pelatihan tanpa-pen garahan

Dalam hal inijerringan neural arkarn nrernbuat

. beberapa unit-kelompok, kemuclian tanpa
menggunilkan dilta pelatihan, rrreugelornpokkan
vektor-vektor masllkan, menentukan
karakteristil< kelompok tersebut sehingga dapat
menenturkan unit tertentu untuk sebuah vektor-
masukan baru.

Dalam hal ini sekr"rmplllan vektor-masukan

disajil<an secara berurut, akan teiapi target-
I. eluaran tidak ditentr-rkan. Jaringan akan
r lerrlperbaharui nilai bobot-bobotnya sehingga
' \ ektor-masukan yang paling mirip akan
c itempatkan dalam unit-kelcmpok yang sama.
J aringan nellral akan membuat vektor pewakil
(:xemplar) bagi sefielp kelompok yang
t,:rbentr-rk.

J aringan dengan bobot-tetap

I alam I'ral ini jaringarr mempr-rnyai nilai bobot

) ang tetap. Beberapa contoh akan dibahas
k etxndian.

[.t1
 1.4.3.Beberapa F ungsi Aktivasi

Pada Lrmlunnya setia"p Ltnit yang berada dzrlam

satu lapisan akan memplrnyai fungsi aktifasi
yang sama. Dan pacizr Llmltmnya fungsi aktivasi
bukan merLlpakan fungsi yang linier.

1. F'ungsi identitas
. ( uP,{rr.te tc.qir- m'ru'h'ccl
(. \te.eqto u.t*rr,lc, teFt lugnq$.|

{o)* x
t
I
ufthub etnua X
I
:

2. Fungsi tangga-biner (dengan nilai ambang t)

bthx>0
r(,).I hhx(o
r tur.g$i ornho.lJ
t ?rr.n5+i H.eo.vigi.Ce

[,Lb
 .:

3. Fungsi Sigmoid (logistik)-biner

Fungsi ini mempunyai batas antara 0 dan l,
sehingga dinermakan sebzrgai Sigmoid-biner.

{t*)=#
fto) -6ttr)8'firt]
6Btr,h ?roguqi$t*
6 $nq{c. }.eri rc,titc.
f'l I
G'i3
t Parrnrttr. &curottten
C strcpnffs)
4. Fungsi Sigmoid-bipolar (:B* +Q
g(*)- "2 f (r)-,t
I i ,
r
-l 0r
t+
g'trl-g[,* $-[[r-FI
Oal
{ gk). l 'c'r
t+'*
mirn 0tryn h9?.,bttr
r lrartf cipt c.i htr)
t.
c---
it* 13
1{ t'lt
f,u
 Untuk data biner, Iebih baik untuk
mengkonversikannya kedalam bentuk bipolar,
dan meltggunakan fungsi Sigmoid-bipolar.

1.5 Jaringan Neural Pertama : McCulloh-

Pitts

|.leuron dalarn jaringan McCulloh-Pitts ini

mempunyai karakteristik sebagai :

1. Nilai aktivasi neuron adalah biner.

Nilai I : menembak; nilai 0 : tidak menembak
2. Neuron dihubungkan dengan keterhubungan-
berbobot
3. Hr-rbLutgan bersifat 'penyalaan' apabila bobot
-sihp'F*$@ keterhnbnngan bernilai positip, selain itu
-ila6r'. lenrdisrn
bersifat 'pemadarnan'
4. Setiap neLlron mempunyai nilai ambang;
diatas nilai ambang ini neuron akan
menembak
5. I{ilai ambang ditentukan sehingga sinyal
IgFfu ' peinaclaman' d
tc r'At. t
tmutlakcr (apabila terdapat sinyal
'pemadaman', maka nellron tidak akan
menembak)
(

Io[ot lqpk]nn 'dJ

I \tlvtltl Crira. *q (thnLL. ntll-/\)"
,.*,:bft -
pnrof*nrnnn P
\.1
 6. Penghantaran sinyal memerlukan satu satuan
waktu
6 rnosut uc1 , binec

o Y,n=t; i,[,,:Jl
zs r.anfg.l
'ver 9'. tntNrCIbo"[
? 0 I
!ry rida.L rrrerexrh[
11g r O

t rltwoft tc0ertnm,
l{( (u[.och. ?.tts

Xr dan Xz bersifat 'penyalaan', sedangkan X3

bersifat 'pemadaman'. Nilai ambang unit Y
adalah 4; dibawah nilai ini (sinyal masukan pada
hubungan'pemadaman bernilai tidak-nol)
neul'on Y tidak akan menembak. xr f 0 --+ yrmadamavr I

) Sinyal akan diteruskan ke nenron Y clalam satu

satuan r.vaktu. Nilai aktivasi nellron Y (saat t)
ditentr-rkan oieh nilai aktivasi Xr, X1 Xr pada
saat (t - 1).

r13
 1.5.1 Arsitektur Jaringan

H- fcr"n), 11 ffi[
19---

6 nrqir oGhsi '{oryfi" b\twt'

M,
:

Dalam Gb 1.1 I Terdapat n unit neuror, Xl,

. . . X,,, memberikan sinyal ltrenValaan' kepada
unitY, dan m unit neuron dengan sinyal
'pemadaman'. Fungsi aktivasi unit Y adalah :
) ) Kondisi ke 5 yang menyatakan bethwa bila
li.l;-. terdapat'L sinyal
J 'pl-udaman',
L maka neltron tidak
'Eftt(Ur\ ..
membutuhkan nilai ambangf dalam
'-pi,l,*imenembak,
fungsi aktivasi memenuhi r'.
$
0)n$DT A
6)mentnful^on ni\ni o*hn5 \h1tot nulLh ilal*lfin$hh
Ur[lr(\]N]J\,'hr,^^ t '

t.z,
 il Neuron y akan menembak apabira
rnenerima k
atau lebirr masukan bersifat
p"nyuraan, dan
tidak ada masukan bersifat ,pemadaman,,
L'rnl porgalaarr'. atalr

e unmrrlu[an nihr'o[.Htrsi ; hafou h\s,rrrrMfi _

h.d*tqerre,mh*l
l.S.Z Algoritma Jaringan
:'
Nilai bobor kere.rruu,,?$)r, ilirai
urulng dan
sehingga nelrron dapat merakukan
ftrngsi-fungsi
Iojik. Anarisis dalam merentukan
nirai bobot
keterhu bungan ditera,gkan
di bawah.

1. F ungsi Iojik ,AND,,

ni 5't
u:
vektor peratiha, (vektor-masukan *l u*
lasangan
'
klqhhon
I Li$l
xl x2

1 I I
H,
I 0 0
0 1 0
0 Ar
0 0 H-,
J-4- $ln,t-r)
ttt L{tr - mosr.to n {urgel - teJ.uo,rom t b;h \n)r2
$n = fUr) hita tl.rn (2
0- kn,h, \:ra,, h-
Q, k^fu.g-, . rr.rl-..r
iYBlt,l,
 2. Fungsi' Iojik ,OR, krr)o)G-'),{)
I rno'l
udrfor-m(ulton tqd.l'duoron
xl x2 v
1 I 1

1 0

F,
1

0 1
1 trft\
0 0 0 A=1 tri:l?
rnl( t ur *r * 0 )nu.1- 1t

)2.t -o 'z
u;=[f [,ttnl]
3. F'ungsi lojik ,AND NOT' e t rt tnl.^$." tt& a.h{
6 i*i*'^^ $g'rrr'tutrar^'rr
'

ueLhr - rnosul,orn,

xl x2
a
I I 0
1 0 I
0 I 0
0 0 0

(
tteuhn U menen,hl' apti,\g
I. S7z nW-P 7 rrrenenlid{o$u)
B.orlsTE-t)ru ) aon" g
TnuEu.linnn x , 1
tnq.su!,a.n Yz o
t
re totnn$^ .t\do^[ \
tnq np.nbo.t .

\rt
 1.5.3. Beberapa Aplik asi Jaringan Fungsi
Lojik

1-. Fungsi lojik 'XOR'

ve{rtoc - $,qso.lro.n I trrqet. [<'luotuq

xl xZ \___i,-_
v
--
1

I 1 0
,)

I 0 1

0 I 1

0 0 0
XOR dapat clituliskan sebagai

& XoF xr--t(t,Fr*t*tXe\ 0B txalsatttFt'!

maka dapat Cinyatakan dalarn 2 lapis&il, yaitu

Lapis pertama ^ - Not lSz
o cffi u.ur trenr,'s;;";-- }t a Xt en4

Lu r Xz fina Fht Ir
o(rlov)

Lapis kedlra
t csri b.ul hrdoottron
c{.uon. I I l,0Pt1
2. Persepsi tentang 'Panas dan Dingin'

\.ztJ