NEURAL NETWORK (NN)

LEARNING
Iradiratu Diah PK, ST, MT
LEARNING NEURAL NETWORK
TUJUAN LEARNING
memodifikasi bobot hingga diperoleh
bobot yang bisa membuat keluaran
jaringan sama dengan target yang
diinginkan.
 LEARNING NEURAL NETWORK

Pembelajaran tak
Pembelajaran
terawasi (unsupervised
terawasi (supervised
learning)  (JARINGAN
learning) KOHONEN)

Metode pembelajaran pada Pada metode pembelajaran yang tak

jaringan syaraf disebut terawasi ini tidak memerlukan target
terawasi jika target output output. Selama proses pembelajaran,
yang diharapkan telah nilai bobot disusun dalam suatu range
diketahui sebelumnya tertentu tergantung pada nilai input
yang diberikan. Tujuan pembelajaran
ini adalah mengelompokkan unit-unit
yang hampir sama dalam suatu area
tertentu. (sangat cocok untuk
pengelompokan (klasifikasi) pola)
 PEMBELAJARAN TERAWASI (SUPERVISED LEARNING)

01 Hebb Rule Hetero Associative Memory 05

02 Perceptron
Bidirectional Associative Memory 06
(BAM)
03 Delta Rule

Learning Vector Quantization (LVQ) 07

04 Backpropagation
 Model Neuron McCulloch-Pitts
0, jika x   Contoh: Buatlah model neuron
y
1, jika x  
McCulloch-Pitts untuk mengenali pola
fungsi logika “AND” sesuai tabel
kebenaran berikut :

X1 X2 Y
0 0 0
0 1 0
1 0 0
1 1 1
 Model Neuron McCulloch-Pitts (untuk mengenali fungsi AND)
Input :

x1

x2
output

y.
Bila nilai bobot w1 dan w2 dibuat sama
dengan 1, (w1 = 1 dan w2 = 1), maka
kita bisa menghitung jumlah seluruh
input yang masuk untuk tiap-tiap data
seperti table di samping :
Agar y(net) memenuhi fungsi logika
“AND”, maka nilai ambang θ pada
fungsi aktivasi dibuat sama dengan 2
(silahkan coba mengubah nilai w dan
nilai ambang)
 Model Neuron McCulloch-Pitts (untuk mengenali fungsi OR)

Model neuron McCulloch-Pitts untuk mengenali Agar y(net) memenuhi fungsi logika “OR”,
pola fungsi logika “OR” sesuai tabel kebenaran maka nilai ambang θ pada fungsi aktivasi
berikut: dibuat sama dengan 1, sehingga
X1 X2 Y
0 0 0
0 1 1
1 0 1
1 1 1

input yaitu x1 dan x2

output y.
Bila nilai bobot w1 dan w2 dibuat sama dengan
1, (w1 = 1 dan w2 = 1), maka kita bisa
menghitung jumlah seluruh input yang masuk
untuk tiap-tiap data seperti tabel disamping :
 Model Neuron McCulloch-Pitts

Tampak bahwa untuk mengenali pola,
model neuron McCulloch-Pitts, harus
menentukan bobot w dan nilai ambang
θ secara analitik (dengan cara coba-
coba) sehingga model neuron
McCulloch-Pitts dapat mengenali pola
tersebut.
Jaringan seperti ini hanya bisa dibuat
untuk merepresentasikan fungsi-fungsi
yang sederhana. Tetapi untuk masalah-
masalah yang komplek misalnya
jumlah input lebih dari 2 atau tidak
biner maka cara seperti ini sulit
dilakukan.
  Contoh
,75 ,75
INPUT: x1 = 1, x2 = 1
0.75*1 + 0.75*1 = 1.5 >= 1  OUTPUT: 1

x1 x2 INPUT: x1 = 1, x2 = -1
Fungsi Bipolar dengan threshold 0.75*1 + 0.75*-1 = 0 < 1  OUTPUT: -1

 1, jika x  
 INPUT: x1 = -1, x2 = 1
y   0, jika x  
0.75*-1 + 0.75*1 = 0 < 1  OUTPUT: -1
 1, jika x  

INPUT: x1 = -1, x2 = -1
dengan threshold = 1
0.75*-1 + 0.75*-1 = -1.5 < 1  OUTPUT: -1
 “POST TEST”

Penunjukan Random kelompok. Jamboard

Soal Latihan 1
Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika p1
  p2

Soal Latihan 2
Buat model McCulloch-Pitts untuk menyatakan fungsi logika
NAND dengan dua masukan biner
p1 p2 NAND
0 0 1
0 1 1
1 0 1
1 1 0
Soal Latihan 3
Buat model McCulloch-Pitts untuk
menyatakan fungsi logika XNOR dengan
dua masukan biner
p1 p2 XNOR
0 0 1
0 1 0
1 0 0
1 1 1
 TERIMA
KASIH
Teknik Elektro Universitas Hangtuah te.ftik.hangtuah.ac.id