Nama : Syarief Hidayat

NIM : 20190801462
Tugas : Kecerdasan Buatan (Sesi 11)

1. Buatlah jaringan Hebb untuk menyatakan logika AND jika representasi masukan dan
keluaran yang dipakai adalah
a. Masukan biner dan keluaran bipolar
b. Masukan dan keluaran bipolar

Masukan Target
X1 X2 b t
1 1 1 1
1 0 1 0
0 1 1 0
0 0 1 0

Kondisi awal (inisialisasi) semua bobot dan bias diberi nilai = 0. Analisa apakah jaringan
diatas mengerti pola yang diberikan.

Jawab:

Perubahan bobot Bobot baru

Tar ∆𝑊 = 𝑝𝑟𝑛𝑡 ∆𝑏 = 𝑡
Masukan Wbaru = Wlama + ∆𝑊1
get
bbaru = blama + ∆𝑏

X1 X2 b t ∆𝑤1 ∆𝑤2 ∆𝑏 W1 W2 b
Inisialisasi 0 0 0
1 1 1 1 1.1 = 1 1.1 = 1 1.1 = 1 0+1=1 0+1=1 0+1=1
1 -1 1 -1 1.-1 = -1 -1.-1 = 1 1.-1 = -1 1 + -1 = 0 1+1=2 1 + -1 = 0
-1 1 1 -1 -1.-1 = 1 1.-1 = -1 1.-1 = -1 0+1=1 2 + -1 = 1 0 + -1 = -2
-1 -1 1 -1 -1.-1 = 1 -1.-1 = 1 1.-1 = -1 1+1=2 1+1=2 -2 + -1 = -3
w1 = 2, w2 = 2, b = -3

Hasil akhir:

x1 x2 n = x 1 w1 + x 2 w2 + b a = f(n)
1 1 1.2 + 1.2 + (-3) = 1 1
1 0 1.2 + 0.2 + (-3) = -1 -1
0 1 0.2 + 1.2 + (-3) = -1 -1
0 0 0.2 + 0.2 + (-3) = -3 -1

f(n) = 1, n ≥ 0
= -1, n < 0
2. Carilah satu artikel jurnal yang membahas tentang penerapan jaringan syaraf tiruan.
Informasikan tentang judul artikel tersebut, link artikel (URL) dan juga ringkasan singkat dari
isi artikel tersebut terkait masalah yang diangkat dan solusi yang ditawarkan, pola hubungan
antar neuron (arsitektur jaringan) yang digunakan serta jenis metode pembelajaran yang
digunakan.

Jawab:

Link : https://jurnal.kaputama.ac.id/index.php/JTIK/article/download/82/82
Judul : Jaringan Syaraf Tiruan Pengenalan Pola Huruf Dengan Jaringan HEBB

Pengenalan pola karakter dalam ilmu artifisial intelegen merupakan metode yang sangat
berkembang cepata dan terus dikembangkan hingga saat ini, kebutuhan akan keamanan
informasi dan sekuritas sebuah informasi ataupun device bisa di block dengan menggunakan
sebuah system yang tertanam sebuah kemampuan ataupun fitur dalam pengenalan pola.

Bidang ilmu Jaringan syaraf tiruan merupakan salah satu representasi buatan dari
kemampuan otak manusia yang selalu mensimulasikan proses pembelajaran pada otak
manusia tersebut.

Pada artikel ini menggunakan jaringan single layer (feedforward). Jika data ditunjukkan dalam
bentuk bipolar, ini mudah untuk menyatakan pembahruan bobot yang diinginkan sehingga
wi(new) = wi(old) + xi y
jika data adalah biner, formula ini tidak membedakan antara pasang pelatihan di mana unit
input adalah “on” dan nilai target adalah “off” dan pasangan pelatihan yang mana antara unit
input dan nilai target adalah “off”. Berikut ini adalah arsitektur hebbnya

Karakterisik yang harus dimiliki oleh fungsi aktivasi jaringan perambatanbalik antara lain harus
kontinyu, terdiferensialkan, dan tidak menurun secara monotonis (montonically non-
decreasing). Lebih lanjut, untuk efisiensi komputasi, turunan fungsi tersebut mudah
didapatkan dan nilai turunannya dapat dinyatakan dengan fungsi aktivasi itu sendiri. Fungsi
aktivasi kedua adalah sigmoid bipolar yang memiliki jangkauan nilai [-1,1] dan didefinisikan
sebagai:
Pada penelitian itu, menggunakan dua pola huruf U dan S dengan menggunakan inputan
sebanyak 25 titik dari setiap patern. Selanjutnya diubah ke dalam representasi nilai bipolar, X
= 1 dan O = -1.

• Pembuatan pola bobot jaringan syaraf tiruan

Tahap pertama adalah melakukan perhitungan pembaharuan bobot dari pola U dan S
sehingga membentuk pola jaringan. Representasikan ke dalam bentuk variable input
x1,x2 … x25.
Dengan menggunakan perhitungan perubahan bobot:
Pola U : x * Target U = 1 * 1 = 1 dst …
Pola S : x * Target S = 1 * -1 = 01 dst … x25
Proses di lakukan sampai pada inputan x25
Selanjutnya dilakukan perhitungan bobot jaringan, bobot masing – masing variable x
pada pola S + bobot pola U.
• Pengenalan pola pembentukan pada jaringan
Setelah pola jaringan sudah terbentuk selanjutnya melakukan test terhadap pola awal
apakah dikenali oleh jaringan sesuai dengan nilai target nya:
Untuk pola U semua x inputan di kalikan dengan pola jaringan yang sudah terbentuk
sehingga x1 * ∆𝑥1
• Pengenalan pola – pola baru terhadap jaringan
Tahapan selanjutnya adalah tahap pengenalan pola, hasilnya adalah pola pola baru
yang di test dapat dikenali oleh jaringan yang sudah terbentuk.