Jaringan Saraf Tiruan:

Adaline
Randy Cahya Wihandika
 Adaline

• Adaptive linear neuron (Widrow & Hoff, 1960)

• Biasanya menggunakan nilai bipolar, bisa juga
menggunakan nilai biner
 Adaline

• Menggunakan arsitektur single layer

• Bentuk multilayer-nya disebut Madaline
• Fungsi aktivasi pada proses pelatihan: fungsi identitas
• Fungsi aktivasi pada proses pengujian: fungsi step
bipolar dengan 𝜃 = 0
• Masalah yang linearly separable dapat dimodelkan
dengan Adaline
 Adaline

Algoritma:
1. Inisialisasi bobot (biasanya menggunakan nilai acak)
Set nilai learning rate 𝛼
2. Untuk setiap data training 𝑠 dan data target 𝑡, lakukan
langkah-langkah 3–5
 Adaline

3. Set nilai aktivasi:

𝑥𝑖 = 𝑠𝑖
4. Hitung nilai 𝑦𝑖𝑛 :
𝑦𝑖𝑛 = 𝑏 + ෍ 𝑥𝑖 𝑤𝑖
𝑖
5. Update nilai bobot:
𝑏 ′ = 𝑏 + 𝛼 𝑡 − 𝑦𝑖𝑛
𝑤𝑖′ = 𝑤𝑖 + 𝛼 𝑡 − 𝑦𝑖𝑛 𝑥𝑖
 Adaline

6. Jika perubahan nilai bobot tertinggi kurang dari suatu

nilai toleransi tertentu, hentikan proses pelatihan. Jika
tidak, maka lanjutkan proses pelatihan.
 Logika AND

• Input bipolar, target bipolar

• Nilai 𝛼 = 0,1

𝒙𝟏 𝒙𝟐 𝒃 𝒕
1 1 1 1
1 -1 1 -1
-1 1 1 -1
-1 -1 1 -1
 Logika AND

𝑥1 𝑦

𝑥2
 Logika AND

𝑏
Inisialisasi bobot
dengan nilai acak

𝑥1 𝑦

𝑥2
 Logika AND

𝑏
Set nilai aktivasi
neuron input:
𝑥𝑖 = 𝑠𝑖
𝑥1 𝑦

𝒙𝟏 𝒙𝟐 𝒃 𝒕
𝑥2 1 1 1 1
1 -1 1 -1
-1 1 1 -1
-1 -1 1 -1
 Logika AND

𝑏
Hitung nilai 𝑦𝑖𝑛 :
𝑦𝑖𝑛 = 𝑏 + ෍ 𝑥𝑖 𝑤𝑖
𝑖
𝑥1 𝑦
𝑦𝑖𝑛 = 0,5 + 1 ∙ 0,1 + 1 ∙ 0,2
𝑦𝑖𝑛 = 0,8

𝑥2
 Logika AND

𝑏
Ubah nilai bobot:
𝑏 ′ = 𝑏 + 𝛼(𝑡 − 𝑦𝑖𝑛 )
𝑏′ = 0,5 + 0,1(1 − 0,8) = 0,52
𝑥1 𝑦 𝑤𝑖′ = 𝑤𝑖 + 𝛼 𝑡 − 𝑦𝑖𝑛 𝑥𝑖
𝑤1 = 0,1 + 0,1 1 − 0,8 1 = 0,12
𝑤2 = 0,2 + 0,1 1 − 0,8 1 = 0,22

𝑥2
 Logika AND

𝑥1 𝑦

𝑥2
 Logika AND

𝑏
Set nilai aktivasi
neuron input:
𝑥𝑖 = 𝑠𝑖
𝑥1 𝑦

𝒙𝟏 𝒙𝟐 𝒃 𝒕
𝑥2 1 1 1 1
1 -1 1 -1
-1 1 1 -1
-1 -1 1 -1
 Logika AND

𝑏
Hitung nilai 𝑦𝑖𝑛 :
𝑦𝑖𝑛 = 𝑏 + ෍ 𝑥𝑖 𝑤𝑖
𝑖
𝑥1 𝑦
𝑦𝑖𝑛 = 0,52 + 1 ∙ 0,12 − 1 ∙ 0,22
𝑦𝑖𝑛 = 0,42

𝑥2
 Logika AND

𝑏
Ubah nilai bobot:
𝑏 ′ = 𝑏 + 𝛼(𝑡 − 𝑦𝑖𝑛 )
𝑏 = 0,52 + 0,1(−1 − 0,42) = 0,378
𝑥1 𝑦 𝑤𝑖′ = 𝑤𝑖 + 𝛼 𝑡 − 𝑦𝑖𝑛 𝑥𝑖
𝑤1 = 0,12 + 0,1 −1 − 0,42 1 = −0,022
𝑤2 = 0,22 + 0,1 −1 − 0,42 (−1) = 0,362

𝑥2
 Logika AND

𝑥1 𝑦

𝑥2
 Logika AND

𝑏
Set nilai aktivasi
neuron input:
𝑥𝑖 = 𝑠𝑖
𝑥1 𝑦

𝒙𝟏 𝒙𝟐 𝒃 𝒕
𝑥2 1 1 1 1
1 -1 1 -1
-1 1 1 -1
-1 -1 1 -1
 Logika AND

𝑏
Hitung nilai 𝑦𝑖𝑛 :
𝑦𝑖𝑛 = 𝑏 + ෍ 𝑥𝑖 𝑤𝑖
𝑖
𝑥1 𝑦
𝑦𝑖𝑛 = 0,378 + −1 ∙ −0,022 + 1 ∙ 0,362
𝑦𝑖𝑛 = 0,762

𝑥2
 Logika AND

𝑏
Ubah nilai bobot:
𝑏 ′ = 𝑏 + 𝛼(𝑡 − 𝑦𝑖𝑛 )
𝑏 = 0,378 + 0,1(−1 − 0,762) = 0,2018
𝑥1 𝑦 𝑤𝑖′ = 𝑤𝑖 + 𝛼 𝑡 − 𝑦𝑖𝑛 𝑥𝑖
𝑤1 = −0,022 + 0,1 −1 − 0,762 (−1) = 0,1542
𝑤2 = 0,362 + 0,1 −1 − 0,762 1 = 0,1858

𝑥2
 Logika AND

𝑥1 𝑦

𝑥2
 Logika AND

𝑏
Set nilai aktivasi
neuron input:
𝑥𝑖 = 𝑠𝑖
𝑥1 𝑦

𝒙𝟏 𝒙𝟐 𝒃 𝒕
𝑥2 1 1 1 1
1 -1 1 -1
-1 1 1 -1
-1 -1 1 -1
 Logika AND

𝑏
Hitung nilai 𝑦𝑖𝑛 :
𝑦𝑖𝑛 = 𝑏 + ෍ 𝑥𝑖 𝑤𝑖
𝑖
𝑥1 𝑦
𝑦𝑖𝑛 = 0,2018 + −1 ∙ 0,1542 + (−1) ∙ 0,1858
𝑦𝑖𝑛 = −0,1382

𝑥2
 Logika AND

𝑏
Ubah nilai bobot:
𝑏 ′ = 𝑏 + 𝛼(𝑡 − 𝑦𝑖𝑛 )
𝑏 = 0,2018 + 0,1 −1 − 0,1382 = 0,11562
𝑥1 𝑦 𝑤𝑖′ = 𝑤𝑖 + 𝛼 𝑡 − 𝑦𝑖𝑛 𝑥𝑖
𝑤1 = 0,1542 + 0,1 −1 − 0,1382 (−1) = 0,24038
𝑤2 = 0,1858 + 0,1 −1 − 0,1382 (−1) = 0,27198

𝑥2
 Logika AND

𝑥1 𝑦

𝑥2
 Logika AND

𝑏
Dilanjutkan hingga perubahan
nilai bobot tertinggi kurang dari
nilai threshold tertentu (misal 0,1)
𝑥1 𝑦

𝑥2
See you!