Fungsi
aktivasi
Fungsi Undak Biner Hard
Limit
0, jika x 0
y
1, jika x 0
Fungsi Aktivasi
Fungsi Undak Biner Threshold
0, jika x
y
1, jika x
Fungsi Aktivasi
Fungsi Bipolar Symetric Hard Limit
1, jika x 0
y 0, jika x 0
1, jika x 0
Fungsi Aktivasi
Fungsi Bipolar dengan threshold
1, jika x
y 0, jika x
1, jika x
Fungsi Aktivasi
Fungsi Linear (identitas)
yx
Fungsi Aktivasi
Fungsi Saturating Linear
0, jika x
y
1, jika x
Model Neuron McCulloch-Pitts
Buatlah model neuron McCulloch-Pitts untuk mengenali
pola fungsi logika “AND” sesuai tabel kebenaran berikut :
Model Neuron McCulloch-Pitts
terdapat dua input yaitu x1 dan x2 dan satu 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 sebagai berikut :
Agar y(net) memenuhi fungsi logika “OR”, maka nilai ambang θ pada
fungsi aktivasi dibuat sama dengan 1, sehingga
Model Neuron McCulloch-Pitts
Buatlah model neuron McCulloch-Pitts untuk
mengenali pola fungsi logika “XOR” sesuai tabel
kebenaran berikut :
Hebb Rule
Hebb Rule
Algoritma pelatihan Hebb :
a) Inisialisasi bobot dan bias:
wi = 0; dengan i =1,2,...,n;
b=0
Pola ke-2
net = 0.1 + 2. (−1) + 0.1 + (−2).1 + 2. (−1) + (−2).1 + (−2).1 + 0.1 + (−2).1
= −12
f (−12) = −1 (sama dengan target)
y _ in ( net ) b i
xiwi
1, jika y _ in
y 0, jika y _ in
1, jika y _ in
Perceptron
d) Bandingkan nilai output jaringan y dengan target t
jika y ≠ t , lakukan perubahan bobot dan bias dengan cara :
wi(baru) = wi(lama) + *t*xi
b(baru) = b(lama) + *t
jika y = t , tidak ada perubahan bobot dan bias:
wi(baru) = wi(lama)
b(baru) = b(lama)
net y
f
X2
1, jika y _ in 0,2
b
y 0, jika 0,2 y _ in 0,2
1, jika y _ in 0,2
Masukan Target xi wi Output Perubahan bobot Bobot baru
+b w = xi t wbaru = wlama + w
b = t bbaru = blama + b
x1 x2 t net y=f(n) w1 w2 b w1 w2 b
Epoch ke - 1 0 0 0
0 0 1 -1 0 0 0 0 -1 0 0 -1
0 1 1 -1 -1 -1 0 0 -1
1 0 1 -1 -1 -1 0 0 -1
1 1 1 1 -1 -1 1 1 1 1 1 0