SOAL LATIHAN 2

JARINGAN SYARAF TIRUAN

Nama : Ghina Farhah Azizah

Kelas : 3ID88
NPM : 32418901

1. Buatlah, ringkasan proses pembelajaran (supervised dan unsupervised learning) dan

jelaskan pula pembagiannya ?

3. Buatlah manual atau implementasi dari pengenalan kedua pola berikut:

 JAWABAN
1. - Supervised learning merupakan suatu pembelajaran yang terawasi dimana jika output
yang diharapkan telah diketahui sebelumnya. Biasanya pembelajaran ini dilakukan
dengan menggunakan data yang telah ada. Pada metode ini, setiap pola yang diberikan
kedalam jaringan saraf tiruan telah diketahui outputnya. Satu pola input akan diberikan
ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan
syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan
membangkitkan pola output yang nantinya akan dicocokkan dengan pola output
targetnya. Nah, apabila terjadi perbedaan antara pola output hasil pembelajaran
dengan pola output target, maka akan muncul error. Dan apabila nilai error ini masih
cukup besar, itu berarti masih perlu dilakukan pembelajaran yang lebih lanjut. Contoh
algoritma jaringan saraf tiruan yang mernggunakan metode supervised learning adalah
hebbian (hebb rule), perceptron, adaline, boltzman, hapfield, dan backpropagation.
Metode Hebb rule merupakan metode pembelajaran dalam supervised yang paling
sederhana, karena pada metoode ini pembelajaran dilakukan dengan cara
memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung,
dan keduanya pada kondisi hidup (on) pada saat yang sama, maka bobot antara kedua
dinaikkan. Apabila data dipresentasiakn secara bipolar, maka perbaikan bobotnya
adalah
wi(baru)=wi(lama)+xi*y
Keterangan:
wi           : bobot data input ke-i;
xi             : input data ke-i;
y          : output data.
Metode Perceptron merupakan salah satu bentuk jaringan syaraf tiruan yang
sederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola
tertentu yang sering dikenal dengan pemisahan secara linear. Pada dasarnya,
perceptron pada jaringan syaraf dengan satu lapisan memiliki bobot yang bisa diatur
dan suatu nilai ambang(thershold). Algoritma yang digunakan oleh aturan perceptron
ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran.
Nilai thershold(  pada fungsi aktivasi adalah non negatif. Fungsi aktivasi ini dibuat
sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif.
Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan yaitu:
w1x1+ w2x2+b >
 Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki
pertidaksamaan:
w1x1+ w2x2+b < –
- Unsupervised learning merupakan pembelajan yang tidak terawasi dimana tidak
memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti apa
yang diharapkan selama proses pembelajaran, nilai bobot yang disusun dalam proses
range tertentu tergantung pada nilai output yang diberikan. Tujuan metode
uinsupervised learning ini agar kita dapat mengelompokkan unit-unit yang hampir
sama dalam satu area tertentu. Pembelajaran ini biasanya sangat cocok untuk
klasifikasi pola. Contoh algoritma jaringan saraf tiruan yang menggunakan metode
unsupervised ini adalah competitive, hebbian, kohonen, LVQ(Learning Vector
Quantization), neocognitron.
Jaringan syaraf self organizing, yang sering disebut juga topology preserving maps, yang
mengansumsikan sebuah struktur topologi antar unit-unit cluster. Jaringan syaraf self
organizing ini pertama kali diperkenalkan oleh Tuevo Kohonen dari University of
Helsinki pada tahun 1981. Jaringan kohonen SOM(Self Organizing Map) merupakan
salah satu model jaringan syaraf yang menggunakan metode pembelajaran
unsupervised. Jaringan kohonen SOM terdiri dari 2 lapisan(layer), yaitu lapisan input
dan lapisan output. Setiap neuron dalalm lapisan input terhubung dengan setiap
neuron pada lapisan output. Setiap neuron dalam lapisan output merepresentasikan
kelas dari input yang diberikan.
Penulisan istilah yang ada pada struktur jaringan kohonen Self Organizing Map adalah
sebagai berikut:
X : vektor input pembelajaran.
X=(x1, x2,…, xj,…..,xn)
: learning rate
: radius neighborhood
X1 : neuron/node input
w0j : bias pada neuron output ke-j
Yj : neuron/node output ke-j
C : konstanta

2. X =
-1 -1
-1 1
1 -1
11
T=
-1
1
1
1
Bobot awal =
w=
0
0
b=0
Perubahan bobot:
Data ke-1
w1 = 0 + 1 = 1
w2 = 0 + 1 = 1
b = 0 - 1 = -1
Data ke-2
w1 = 1 - 1 = 0
w2 = 1 + 1 = 2
b = -1 + 1 = 0
Data ke-3
w1 = 0 + 1 = 1
w2 = 2 - 1 = 1
b=0+1=1
Data ke-4
w1 = 1 + 1 = 2
w2 = 1 + 1 = 2
b=1+1=2
Jadi hasil dari melakukan pengetesan terhadap salah satu data yang ada,
x=[-1 –1].
Y = 2 + (-1*2) + (-1*2) = -2
3. Pattern 1
1 -1 -1 -1 1
-1 1 -1 1 -1
-1 -1 1 -1 -1
-1 1 -1 1 -1
1 -1 -1 -1 1

1 0 0 0 1
0 1 0 1 0
0 0 1 0 0
0 1 0 1 0
1 0 0 0 1

Penyajian pola huruf X dan O

X 1 -1 -1 -1 1 -1 1 -1 1 -1 -1 -1
1 -1 -1 -1 1 -1 1 -1 1 -1 -1 -1
1
0 -1 1 1 1 -1 1 -1 1 -1 1 1 1
-1 1 1 1 -1 1 -1 1 -1 1 1 1
-1
X 1 0 0 0 1 0 1 0 1 0 0 0
1 0 0 0 1 0 1 0 1 0 0 0
1
O 0 1 1 1 0 1 0 1 0 1 1 1
0 1 1 1 0 1 0 1 0 1 1 1
0

Pattern 2
-1 1 1 1 -1
1 -1 -1 -1 1
1 -1 -1 -1 1
1 -1 -1 -1 1
-1 1 1 1 -1
 0 1 1 1 0
1 0 0 0 1
1 0 0 0 1
1 0 0 0 1
0 1 1 1 0

-1 1 1 1 -1
1 -1 -1 -1 1
1 -1 -1 -1 1
1 -1 -1 -1 1
-1 1 1 1 -1

Penyajian pola huruf X dan O

X -1 1 1 1 -1 1 -1 -1 -1 1 1 -1
-1 -1 1 1 -1 -1 -1 1 -1 1 1 1
-1
O 1 -1 -1 -1 1 -1 1 1 1 -1 -1 1
1 1 -1 -1 1 1 1 -1 1 -1 -1 -1
1
X 0 1 1 1 0 1 0 0 0 1 1 0
0 0 1 1 0 0 0 1 0 1 1 1
0
O 1 0 0 0 1 0 1 1 1 0 0 1
1 1 0 0 1 1 1 0 1 0 0 0
1