Anda di halaman 1dari 67

jaringan Syaraf Tiruan

Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.

8.1 Otak Manusia


Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiap-tiap sel bekerja seperti suatu prosesor sederhana. Masing-masing sel tersebut saling berinteraksi sehingga mendukung kemampuan kerja otak manusia.

Gambar 8.1 Susunan syaraf manusia.

Gambar 8.1 menunjukkan susunan syaraf pada manusia. Setiap sel syaraf (neuron) akan memiliki satu inti sel, inti sel ini nanti yang akan bertukan untuk melakukan pemrosesan informasi. Informasi yang datang akan diterima oleh dendrit. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi neuron lain yang mana antar dendrit kedua sel tersebut dipertemukan dengan synapsis. Informasi yang dikirimkan antar neuron ini berupa rangsangan yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit akan dijumlahkan dan dikirim melalui axon ke dendrit akhir yang bersentuhan dengan dendrit dari neuron yang lain. Informasi ini akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang sering dikenal dengan nama nilai ambang (threshold). Pada kasus ini, neuron tersebut dikatakan teraktivasi. Hubungan antar neuron terjadi secara adaptif, artinya struktur hubungan tersebut terjadi secara dinamis. Otak manusia selalu memiliki kemampuan untuk belajar dengan melakukan adaptasi.

8.2 SEJARAH
Mulai dari ditemukannya, jaringan syaraf tiruan telah mengalami tahap-tahap perkembangan, antara lain:
Pada tahun 1940-an, para ilmuwan menemukan bahwa psikologi dari otak sama dengan mode pemrosesan yang dilakukan oleh peralatan komputer. Pada tahun 1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron. Pada tahun 1949, Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut. Pada tahun 1954, Farley dan Clark mensetup model-model untuk relasi adaptif stimulus-respon dalam jaringan random. Pada tahun 1958, Rosenblatt mengembangkan kosep dasar tentang perceptron untuk klasifikasi pola. Pada tahun 1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Least Mean Square (LMS). Pada tahun 1974, Werbos memperkenalkan algoritma backpropagation untuk melatih perceptron dengan banyak lapisan.

Pada tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan menggunakan model probabilistik. Pada tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan. Pada tahun 1982, Grossberg mengembangkan teori jaringan yang diinspirasi oleh perkembangan psikologi. Bersama Carpenter, mereka mengenalkan sejumlah arsitektur jaringan, antara lain: Adaptive Resonance Theory (ART), ART2, dan ART3. Pada tahun 1982, Hopfield mengembangkan jaringan syaraf reccurent yang dapat digunakan untuk menyimpan informasi dan optimasi. Pada tahun 1985, algoritma pembelajaran dengan menggunakan mesin Boltzmann yang menggunakan model jaringan syaraf probabilistik mulai dikembangkan. Pada tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM). Pada tahun 1988, mulai dikembangkan fungsi radial basis.

8.3 Komponen Jaringan Syaraf


Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri-dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 8.2 menunjukkan struktur neuron pada jaringan syaraf.

Gambar 8.2 Struktur neuron jaringan syaraf.

Jika kita lihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron-neuron biologis. Informasi (disebut dengan: input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang yanag datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya. Demikian seterusnya. Pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan. Gambar 8.3 menunjukkan jaringan syaraf dengan 3 lapisan.

Gambar 8.3 Jaringan syaraf dengan 3 lapisan.

Gambar 8.3 bukanlah struktur umum jaringan syaraf. Beberapa jaringan syaraf ada juga yang tidak memiliki lapisan tersembunyi, dan ada juga jaringan syaraf dimana neuron-neuronnya disusun dalam bentuk matriks.

8.4 ARSITEKTUR JARINGAN


Seperti telah dijelaskan sebelumnya bahwa neuron-neuron dikelompokkan dalan lapisanlapisan. Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron-neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkan dengan neuron-neuron pada lapisan yang lain (misalkan lapisan output), maka setiap neuron pada lapisan tersebut (misalkan

lapisan tersembunyi) juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya (misalkan lapisan output).
Ada beberapa arsitektur jaringan syaraf, antara lain:

a. Jaringan dengan lapisan tunggal (single layer net)


Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi (Gambar 8.4). Pada Gambar 8.4 tersebut, lapisan input memiliki 3 neuron, yaitu X1, X2 dan X3. Sedangkan pada lapisan output memiliki 2 neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output.

Gambar 8.4 Jaringan syaraf dengan lapisan tunggal.

b. Jaringan dengan banyak lapisan (multilayer net)


Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi), seperti terlihat pada Gambar 8.5. Umumnya, ada lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun demikian, pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.

Gambar 8.5 Jaringan syaraf dengan banyak lapisan.

c. Jaringan dengan lapisan kompetitif (competitive layer net)


Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar 8.6 menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot - .

Gambar 8.6 Jaringan syaraf dengan lapisan kompetitif.

8.5 FUNGSI AKTIVASI


Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain:

a. Fungsi Undak Biner (Hard Limit)


Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step function) untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output biner (0 atau 1) (Gambar 8.7). Fungsi undak biner (hard limit) dirumuskan sebagai:

Gambar 8.7 Fungsi aktivasi: Undak Biner (hard limit).

b. Fungsi Undak Biner (Threshold)


Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside (Gambar 8.8).

Fungsi undak biner (dengan nilai ambang ) dirumuskan sebagai:

Gambar 8.8 Fungsi aktivasi: Undak Biner (threshold).

c. Fungsi Bipolar (Symetric Hard Limit)


Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau 1 (Gambar 8.9).
Fungsi Symetric Hard Limit dirumuskan sebagai:

Gambar 8.9 Fungsi aktivasi: Bipolar (symetric hard limit).

d. Fungsi Bipolar (dengan threshold)


Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau 1 (Gambar 8.10).
Fungsi bipolar (dengan nilai ambang ) dirumuskan sebagai:

Gambar 8.10 Fungsi aktivasi: Bipolar (threshold).

e. Fungsi Linear (identitas)


Fungsi linear memiliki nilai output yang sama dengan nilai inputnya (Gambar 8.11). Fungsi linear dirumuskan sebagai:

Gambar 8.11 Fungsi aktivasi: Linear (identitas).

f. Fungsi Saturating Linear


Fungsi ini akan bernilai 0 jika inputnya kurang dari , dan akan bernilai 1 jika inputnya lebih dari . Sedangkan jika nilai input terletak antara dan , maka outpunya akan bernilai sama dengan nilai input ditambah (Gambar 8.12).
Fungsi saturating linear dirumuskan sebagai:

Gambar 8.12 Fungsi aktivasi: Saturating Linear

g. Fungsi Symetric Saturating Linear

Fungsi ini akan bernilai -1 jika inputnya kurang dari 1, dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara 1 dan 1, maka outpunya akan bernilai sama dengan nilai inputnya (Gambar 8.13).
Fungsi symetric saturating linear dirumuskan sebagai:

Gambar 8.13 Fungsi aktivasi: Symetric Saturating Linear.

h. Fungsi Sigmoid Biner.

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1 (Gambar 8.14). Fungsi sigmoid biner dirumuskan sebagai:

dengan:

Gambar 8.14 Fungsi aktivasi: Sigmoid Biner.

i. Fungsi Sigmoid Bipolar


Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai 1 (Gambar 8.15). Fungsi sigmoid bipolar dirumuskan sebagai:

dengan:

Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki range antara 1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai:

atau

dengan:

Gambar 8.15 Fungsi aktivasi: Sigmoid Bipolar.

8.6 Proses Pembelajaran


Pada otak manusia, informasi yang dilewatkan dari satu neuron ke neuron yang lainnya berbentuk rangsangan listrik melalui dendrit. Jika rangsangan tersebut diterima oleh suatu neuron, maka neuron tersebut akan membangkitkan output ke semua neuron yang berhubungan dengannya sampai informasi tersebut sampai ke tujuannya yaitu terjadinya suatu reaksi. Jika rangsangan yang diterima terlalu halus, maka output yang dibangkitkan oleh neuron tersebut tidak akan direspon. Tentu saja sangatlah sulit untuk memahami bagaimana otak manusia bisa belajar. Selama proses pembelajaran, terjadi perubahan yang cukup berarti pada bobot-bobot yang menghubungkan antar neuron. Apabila ada rangsangan yang sama dengan rangsangan yang telah diterima oleh neuron, maka neuron akan memberikan reaksi dengan cepat. Namun apabila kelak ada rangsangan yang berbeda dengan apa yang telah diterima oleh neuron, maka neuron akan segera beradaptasi untuk memberikan reaksi yang sesuai.

Jaringan syaraf akan mencoba untuk mensimulasikan kemampuan otak manusia untuk belajar. Jaringan syaraf tiruan juga tersusun atas neuron0neuron dan dendrit. Tidak seperti model biologis, jaringan syaraf memiliki struktur yang tidak dapat diubah, dibangun oleh sejumlah neuron, dan memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antara neuron (yang dikenal dengan nama bobot). Perubahan yang terjadi selama proses pembelajaran adalah perubahan nilai bobot. Nilai bobot akan bertambah, jika informasi yang diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi tidak disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai mengindikasikan bahwa tiaptiap input telah berhubungan dengan output yang diharapkan.

a. Pembelajaran terawasi (supervised learning) Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Contoh: andaikan kita memiliki jaringan syaraf yang akan digunakan untuk mengenali pasangan pola, misalkan pada operasi AND:

Input target 000 010 100 111

Pada proses pembelajaran, 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. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi.

b. Pembelajaran tak terawasi (unsupervised learning) Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola.

8.7 PEMBELAJARAN TERAWASI (Supervised Learning)


A. Hebb Rule
Hebb rule adalah metode pembelajaran yang paling sederhana. Pada metode 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 keduanya dinaikkan. Apabila data direpresentasikan secara bipolar, maka perbaikan bobotnya adalah:

wi(baru) = wi(lama) + xi*y

dengan: wi : bobot data input ke-i; xi : input data ke-i. y : output data.

Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih. Sedangkan vektor yang hendak digunakan untuk testing adalah vektor x.

Algoritma

0. Inisialisasi semua bobot: wij = 0; dengan i=1,2,...,n; dan j=1,2,...,m.

1. Untuk setiap pasangan input-output (s-t), lakukan langkah-langkah sebagai berikut: a. Set input dengan nilai sama dengan vektor input: xi = si; (i=1,2,...,n) b. Set output dengan nilai sama dengan vektor output: yj = tj; (j=1,2,...,m) c. Perbaiki bobot: wij(baru) = wij(lama) + xi*yj; (i=1,2,...,n; dan j=1,2,...,m)

dengan catatan bahwa nilai bias selalu 1.

Contoh 8.1: Misalkan kita ingin membuat jaringan syaraf untuk melakukan pembelajaran terhadap fungsi OR dengan input dan target bipolar sebagai berikut:

Input Bias Target -1 -1 1 -1 -1 1 1 1 1 -1 1 1 1 1 1 1

Bobot awal dan bobot bias kita set=0. Arsitektur jaringan untuk contoh 8.1.

Gambar 8.16 Arsitektur jaringan contoh 8.1.

X = -1 -1 -1 1 1 -1 1 1 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

Kita bisa melakukan pengetesan terhadap salah satu data yang ada, misal kita ambil x=[-1 1].

Y = 2 + (-1*2) + (-1*2) = -2

B. Perceptron
Perceptron juga termasuk salah satu bentuk jaringan syaraf 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 (threshold). Algoritma yang digunakan oleh aturan perceptron ini akan mengatur parameter-parameter bebasnya melalui proses pembelajaran. Nilai threshold ( ) pada fungsi aktivasi adalan non negatif. Fungsi aktivasi ini dibuat sedemikian rupa sehingga terjadi pembatasan antara daerah positif dan daerah negatif (Gambar 8.17).

Gambar 8.17 Pembatasan linear dengan perceptron.

Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan:

w1x1 + w2x2 + b >

Sedangkan garis pemisah antara daerah negatif dengan daerah nol memiliki pertidaksamaan:

w1x1 + w2x2 + b < -

Misalkan kita gunakan pasangan vektor input s dan vektor output sebagai pasangan vektor yang akan dilatih.

Algoritma:

0. Inisialisasi semua bobot dan bias: (untuk sederhananya set semua bobot dan bobot bias sama dengan nol). Set learning rate: (0 < 1). (untuk sederhananya set sama dengan 1). 1. Selama kondisi berhenti bernilai false, lakukan langkah-langkah sebagai berikut: (i). Untuk setiap pasangan pembelajaran s-t, kerjakan: a. Set input dengan nilai sama dengan vektor input: xi = si;

b. Hitung respon untuk unit output:

c. Perbaiki bobot dan bias jika terjadi error: Jika y t maka: wi(baru) = wi(lama) + *t*xi b(baru) = b(lama) + *t jika tidak, maka: wi(baru) = wi(lama) b(baru) = b(lama) (ii). Tes kondisi berhenti: jika tidak terjadi perubahan bobot pada (i) maka kondisi berhenti TRUE, namun jika masih terjadi perubahan maka kondisi berhenti FALSE.

Algoritma di atas bisa digunakan baik untuk input biner maupun bipolar, dengan tertentu, dan bias yang dapat diatur. Pada algoritma tersebut bobot-bobot yang diperbaiki hanyalah bobot-bobot yang berhubungan dengan input yang aktif (xi 0) dan bobot-bobot yang tidak menghasilkan nilai y yang benar.

Contoh 8.2: Misalkan kita ingin membuat jaringan syaraf untuk melakukan pembelajaran terhadap fungsi AND dengan input biner dan target bipolar sebagai berikut:

Input Bias Target 1 1 1 1

1 0 1 -1 0 1 1 -1 0 0 1 -1

Arsitektur jaringan untuk contoh 8.2 terlihat pada Gambar 8.18.

Gambar 8.18 Arsitektur jaringan contoh 8.2.

Bobot awal : w = [0,0 0,0] Bobot bias awal : b = [0,0] Learning rate (alfa): 0,8 Threshold (tetha) : 0,5

Epoh ke-1 -------------------Data ke-1 y_in = 0,0 + 0,0 + 0,0 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = 1 Bobot baru: w1 = 0,0 + 0,8 * 1,0 * 1,0 = 0,8 w2 = 0,0 + 0,8 * 1,0 * 1,0 = 0,8 Bobot bias baru: b = 0,0 + 0,8 * 1,0 = 0,8

Data ke-2 y_in = 0,8 + 0,8 + 0,0 = 1,6 Hasil aktivasi = 1 (y_in >0,5) Target = -1 Bobot baru: w1 = 0,8 + 0,8 * -1,0 * 1,0 = 0,0 w2 = 0,8 + 0,8 * -1,0 * 0,0 = 0,8 Bobot bias baru: b = 0,8 + 0,8 * -1,0 = 0,0

Data ke-3 y_in = 0,0 + 0,0 + 0,8 = 0,8

Hasil aktivasi = 1 (y_in >0,5) Target = -1 Bobot baru: w1 = 0,0 + 0,8 * -1,0 * 0,0 = 0,0 w2 = 0,8 + 0,8 * -1,0 * 1,0 = 0,0 Bobot bias baru: b = 0,0 + 0,8 * -1,0 = -0,8

Data ke-4 y_in = -0,8 + 0,0 + 0,0 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Epoh ke-2 --------------------

Data ke-1 y_in = -0,8 + 0,0 + 0,0 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = 1 Bobot baru: w1 = 0,0 + 0,8 * 1,0 * 1,0 = 0,8 w2 = 0,0 + 0,8 * 1,0 * 1,0 = 0,8 Bobot bias baru: b = -0,8 + 0,8 * 1,0 = 0,0

Data ke-2 y_in = 0,0 + 0,8 + 0,0 = 0,8 Hasil aktivasi = 1 (y_in >0,5) Target = -1 Bobot baru: w1 = 0,8 + 0,8 * -1,0 * 1,0 = 0,0 w2 = 0,8 + 0,8 * -1,0 * 0,0 = 0,8 Bobot bias baru: b = 0,0 + 0,8 * -1,0 = -0,8

Data ke-3 y_in = -0,8 + 0,0 + 0,8 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 0,0 + 0,8 * -1,0 * 0,0 = 0,0 w2 = 0,8 + 0,8 * -1,0 * 1,0 = 0,0 Bobot bias baru: b = -0,8 + 0,8 * -1,0 = -1,6

Data ke-4 y_in = -1,6 + 0,0 + 0,0 = -1,6 Hasil aktivasi = -1 (y_in < -0,5)

Target = -1

Epoh ke-3 -------------------Data ke-1 y_in = -1,6 + 0,0 + 0,0 = -1,6 Hasil aktivasi = -1 (y_in < -0,5) Target = 1 Bobot baru: w1 = 0,0 + 0,8 * 1,0 * 1,0 = 0,8 w2 = 0,0 + 0,8 * 1,0 * 1,0 = 0,8 Bobot bias baru: b = -1,6 + 0,8 * 1,0 = -0,8

Data ke-2 y_in = -0,8 + 0,8 + 0,0 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 0,8 + 0,8 * -1,0 * 1,0 = 0,0 w2 = 0,8 + 0,8 * -1,0 * 0,0 = 0,8 Bobot bias baru: b = -0,8 + 0,8 * -1,0 = -1,6

Data ke-3

y_in = -1,6 + 0,0 + 0,8 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Data ke-4 y_in = -1,6 + 0,0 + 0,0 = -1,6 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Epoh ke-4 -------------------Data ke-1 y_in = -1,6 + 0,0 + 0,8 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = 1 Bobot baru: w1 = 0,0 + 0,8 * 1,0 * 1,0 = 0,8 w2 = 0,8 + 0,8 * 1,0 * 1,0 = 1,6 Bobot bias baru: b = -1,6 + 0,8 * 1,0 = -0,8

Data ke-2 y_in = -0,8 + 0,8 + 0,0 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5)

Target = -1 Bobot baru: w1 = 0,8 + 0,8 * -1,0 * 1,0 = 0,0 w2 = 1,6 + 0,8 * -1,0 * 0,0 = 1,6 Bobot bias baru: b = -0,8 + 0,8 * -1,0 = -1,6

Data ke-3 y_in = -1,6 + 0,0 + 1,6 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 0,0 + 0,8 * -1,0 * 0,0 = 0,0 w2 = 1,6 + 0,8 * -1,0 * 1,0 = 0,8 Bobot bias baru: b = -1,6 + 0,8 * -1,0 = -2,4

Data ke-4 y_in = -2,4 + 0,0 + 0,0 = -2,4 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Epoh ke-5 -------------------Data ke-1

y_in = -2,4 + 0,0 + 0,8 = -1,6 Hasil aktivasi = -1 (y_in < -0,5) Target = 1 Bobot baru: w1 = 0,0 + 0,8 * 1,0 * 1,0 = 0,8 w2 = 0,8 + 0,8 * 1,0 * 1,0 = 1,6 Bobot bias baru: b = -2,4 + 0,8 * 1,0 = -1,6

Data ke-2 y_in = -1,6 + 0,8 + 0,0 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Data ke-3 y_in = -1,6 + 0,0 + 1,6 = -0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 0,8 + 0,8 * -1,0 * 0,0 = 0,8 w2 = 1,6 + 0,8 * -1,0 * 1,0 = 0,8 Bobot bias baru: b = -1,6 + 0,8 * -1,0 = -2,4

Data ke-4

y_in = -2,4 + 0,0 + 0,0 = -2,4 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Epoh ke-6 -------------------Data ke-1 y_in = -2,4 + 0,8 + 0,8 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = 1 Bobot baru: w1 = 0,8 + 0,8 * 1,0 * 1,0 = 1,6 w2 = 0,8 + 0,8 * 1,0 * 1,0 = 1,6 Bobot bias baru: b = -2,4 + 0,8 * 1,0 = -1,6

Data ke-2 y_in = -1,6 + 1,6 + 0,0 = -0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 1,6 + 0,8 * -1,0 * 1,0 = 0,8 w2 = 1,6 + 0,8 * -1,0 * 0,0 = 1,6 Bobot bias baru: b = -1,6 + 0,8 * -1,0 = -2,4

Data ke-3 y_in = -2,4 + 0,0 + 1,6 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Data ke-4 y_in = -2,4 + 0,0 + 0,0 = -2,4 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Epoh ke-7 -------------------Data ke-1 y_in = -2,4 + 0,8 + 1,6 = -0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = 1 Bobot baru: w1 = 0,8 + 0,8 * 1,0 * 1,0 = 1,6 w2 = 1,6 + 0,8 * 1,0 * 1,0 = 2,4 Bobot bias baru: b = -2,4 + 0,8 * 1,0 = -1,6

Data ke-2 y_in = -1,6 + 1,6 + 0,0 = -0,0

Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 1,6 + 0,8 * -1,0 * 1,0 = 0,8 w2 = 2,4 + 0,8 * -1,0 * 0,0 = 2,4 Bobot bias baru: b = -1,6 + 0,8 * -1,0 = -2,4

Data ke-3 y_in = -2,4 + 0,0 + 2,4 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 0,8 + 0,8 * -1,0 * 0,0 = 0,8 w2 = 2,4 + 0,8 * -1,0 * 1,0 = 1,6 Bobot bias baru: b = -2,4 + 0,8 * -1,0 = -3,2

Data ke-4 y_in = -3,2 + 0,0 + 0,0 = -3,2 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Epoh ke-8 --------------------

Data ke-1 y_in = -3,2 + 0,8 + 1,6 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = 1 Bobot baru: w1 = 0,8 + 0,8 * 1,0 * 1,0 = 1,6 w2 = 1,6 + 0,8 * 1,0 * 1,0 = 2,4 Bobot bias baru: b = -3,2 + 0,8 * 1,0 = -2,4

Data ke-2 y_in = -2,4 + 1,6 + 0,0 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Data ke-3 y_in = -2,4 + 0,0 + 2,4 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 1,6 + 0,8 * -1,0 * 0,0 = 1,6 w2 = 2,4 + 0,8 * -1,0 * 1,0 = 1,6 Bobot bias baru: b = -2,4 + 0,8 * -1,0 = -3,2

Data ke-4 y_in = -3,2 + 0,0 + 0,0 = -3,2 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Epoh ke-9 -------------------Data ke-1 y_in = -3,2 + 1,6 + 1,6 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = 1 Bobot baru: w1 = 1,6 + 0,8 * 1,0 * 1,0 = 2,4 w2 = 1,6 + 0,8 * 1,0 * 1,0 = 2,4 Bobot bias baru: b = -3,2 + 0,8 * 1,0 = -2,4

Data ke-2 y_in = -2,4 + 2,4 + 0,0 = 0,0 Hasil aktivasi = 0 (-0,5 < y_in <0,5) Target = -1 Bobot baru: w1 = 2,4 + 0,8 * -1,0 * 1,0 = 1,6 w2 = 2,4 + 0,8 * -1,0 * 0,0 = 2,4 Bobot bias baru:

b = -2,4 + 0,8 * -1,0 = -3,2

Data ke-3 y_in = -3,2 + 0,0 + 2,4 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Data ke-4 y_in = -3,2 + 0,0 + 0,0 = -3,2 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Epoh ke-10 -------------------Data ke-1 y_in = -3,2 + 1,6 + 2,4 = 0,8 Hasil aktivasi = 1 (y_in >0,5) Target = 1

Data ke-2 y_in = -3,2 + 1,6 + 0,0 = -1,6 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Data ke-3

y_in = -3,2 + 0,0 + 2,4 = -0,8 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Data ke-4 y_in = -3,2 + 0,0 + 0,0 = -3,2 Hasil aktivasi = -1 (y_in < -0,5) Target = -1

Pada epoh ke-10 ini sudah tidak terjadi perubahan bobot, sehingga proses pembelajaran dihentikan. Hasil akhir diperoleh:

Nilai bobot, w1 = 1,6; dan w2 = 2,4. Bobot bias, b = -3,2.

Dengan demikian garis yang membatasi daerah positif dengan daerah nol memenuhi pertidaksamaan:

1,6 x1 + 2,4 x2 3,2 > 0,5

Sedangkan garis yang membatasi daerah negatif dengan daerah nol memenuhi pertidaksamaan:

1,6 x1 + 2,4 x2 3,2 < -0,5

C. Delta Rule

Pada delta rule akan mengubah bobot yang menghubungkan antara jaringan input ke unit output (y_in) dengan nilai target (t). Hal ini dilakukan untuk meminimalkan error selama pelatihan pola. Delta rule untuk memperbaiki bobot ke-i (untuk setiap pola) adalah:

wi = (t y_in)*xi;

dengan: x = vektor input. y_in = input jaringan ke unit output Y.

t = target (output).

Nilai w baru diperoleh dari nilai w lama ditambah dengan w,

wi = wi + wi

Contoh 8.3:
Akan dibentuk jaringan syaraf untuk operasi OR (Tabel 8.1).

Tabel 8.1. Operasi OR

x1 x2

Target (t) x1 OR x2

0 0 1 1

0 1 0 1

0 1 1 1

Ada 2 input (x1 dan x2) dengan 1 output (target t). Arsitektur jaringan terdiri-dari 1 lapisan input dan satu lapisan output (Gambar 8.19). Hanya ada 1 neuron pada lapisan output.

Gambar 8.19 Arsitektur jaringan pada Contoh 8.3.

Karena target yang diharapkan berbentuk biner, maka fungsi aktivasi yang digunakan adalah fungsi undak biner, dengan = 0,5. Learning rate yang digunakan adalah = 0,2. Bobot awal yang dipilih w1 = 0,1 dan w2 = 0,3. Disini nilai error ( ) diperoleh dari nilai t-y.

Pada Epoh pertama:

Data ke-1 : x11 = 0; x12 = 0; t1 = 0. w1 = 0,1 dan w2 = 0,3. a11 = x11w1 + x12w2 = 0*0,1 + 0*0,3 = 0. y11 = 0, karena a11 = 0 0,5. 11 = t1 y11 = 0 0 = 0. w1 = w1 + *x11* 11 = 0,1 + 0,2*0*0 = 0,1. w2 = w2 + *x12* 11 = 0,3 + 0,2*0*0 = 0,3.

Data ke-2 : x21 = 0; x22 = 1; t2 = 1. w1 = 0,1 dan w2 = 0,3. a12 = x21w1 + x22w2 = 0*0,1 + 1*0,3 = 0,3. y12 = 0, karena a12 = 0,3 0,5. 12 = t2 y12 = 1 0 = 1. w1 = w1 + *x21* 12 = 0,1 + 0,2*0*1 = 0,1. w2 = w2 + *x22* 12 = 0,3 + 0,2*1*1 = 0,5.

Data ke-3 : x31 = 1; x32 = 0; t3 = 1. w1 = 0,1 dan w2 = 0,5. a13 = x31w1 + x32w2 = 1*0,1 + 0*0,5 = 0,1. y13 = 0, karena a13 = 0,1 0,5. 13 = t3 y13 = 1 0 = 1. w1 = w1 + *x31* 13 = 0,1 + 0,2*1*1 = 0,3. w2 = w2 + *x32* 13 = 0,5 + 0,2*0*1 = 0,5.

Data ke-4 : x41 = 1; x42 = 1; t4 = 1. w1 = 0,3 dan w2 = 0,5. a14 = x41w1 + x42w2 = 1*0,3 + 1*0,5 = 0,8. y14 = 1, karena a14 = 0,8 > 0,5. 14 = t4 y14 = 1 1 = 0. w1 = w1 + *x41* 14 = 0,3 + 0,2*1*0 = 0,3. w2 = w2 + *x42* 14 = 0,5 + 0,2*0*0 = 0,5.

Pada Epoh kedua:

Data ke-1 : x11 = 0; x12 = 0; t1 = 0. w1 = 0,3 dan w2 = 0,5. a21 = x11w1 + x12w2 = 0*0,3 + 0*0,5 = 0. y21 = 0, karena a21 = 0 0,5. 21 = t1 y21 = 0 0 = 0. w1 = w1 + *x11* 21 = 0,3 + 0,2*0*0 = 0,3. w2 = w2 + *x12* 21 = 0,5 + 0,2*0*0 = 0,5.

Demikian seterusnya. Hasil akhir, dengan Err=0 tercapai pada Epoh ke-4. Hasil selengkapnya terlihat pada Tabel 8.2.

Tabel 8.2. Hasil pembelajaran sampai epoh ke-4.

Epoh

x1

x2

t
0 1 1 1 0 1 1 1 0 1 1 1 0 1

Bobot Awal
w1 w2 0,3 0,3 0,5 0,5 0,5 0,5 0,7 0,7 0,7 0,7 0,7 0,7 0,7 0,7

0,0 1,0 1,0 0,0 0,0 1,0 1,0 0,0 0,0 0,0 1,0 0,0 0,0 0,0

Bobot Akhir
w1 0,1 0,1 0,3 0,3 0,3 0,3 0,5 0,5 0,5 0,5 0,7 0,7 0,7 0,7 w2 0,3 0,5 0,5 0,5 0,5 0,7 0,7 0,7 0,7 0,7 0,7 0,7 0,7 0,7

0 0 1 1

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

0,1 0,1 0,1 0,3 0,3 0,3 0,3 0,5 0,5 0,5 0,5 0,7 0,7 0,7

0 0,3 0,1 0,8 0 0,5 0,3 1,2 0 0,7 0,5 1,4 0 0,7

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

0 0 1 1

0 0 1 1

0 0

1 1

0 1

1 1

0,7 0,7

0,7 0,7

0,7 1,4

1 1

0,0 0,0

0,7 0,7

0,7 0,7

D. Backpropagation
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuran yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation
) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu:

Arsitektur jaringan backpropagation seperti terlihat pada Gambar 8.20.

Gambar 8.20 Arsitektur jaringan backpropagation.

Algoritma backpropagation: o o Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE:

1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan: Feedforward: 1. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyak tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). 2. Tiap-tiap unit tersembunyi (Zi, j=1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot:

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

zj = f(z_inj)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

3. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot.

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

yk = f(y_ink)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

Backpropagation 4. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya:

= (tk yk) f(y_ink)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk):

wjk =

zj

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k):

w0k =

kirimkan

ini ke unit-unit yang ada di lapisan bawahnya.

5. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya):

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:

j = _inj f(z_inj)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij):

vjk = j xi

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v0j):

v0j =

6. Tiap-tiap unit output (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p):

wjk(baru) = wjk(lama) + wjk

Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n):

vij(baru) = vij(lama) + vij

2. Tes kondisi berhenti,

Contoh 8.4: Akan dibentuk jaringan syaraf untuk operasi XOR. Ada 2 input (X1 dan X2) dengan 1 output (target T). Arsitektur jaringan (Gambar 8.21) terdiri-dari: 1 lapisan input, 1 lapisan tersembunyi dengan 4 neuron, fungsi aktivasi yang digunakan pada setiap neuron pada lapisan ini adalah fungsi sigmoid (z= ).

1 lapisan output dengan 1 neuron, fungsi aktivasi yang digunakan pada neuron di lapisan ini adalah fungsi sigmoid (y=

).

Bobot awal yang menghubungkan neuron-neuron pada lapisan input dan lapisan tersembunyi (v11, v12, v21, v22) dan bobot bias v01 dan v02 dipilih secara acak. Demikian pula bobot awal yang menghubungkan neuron-neuron pada lapisan tersembunyi dan lapisan output (w1, w2) dan bobot bias w0 juga dipilih secara acak.

Gambar 8.21 Arsitektur jaringan syaraf untuk backpropagation: Operasi XOR.

Pada inisialisasi ditetapkan: X = 0 0 0 1 1 0 1 1

T = 0 1

1 0

Jumlah neuron pada input layer = 4 Jumlah neuron pada hidden layer = 2 Jumlah neuron pada output layer = 1 Learning rate ( ) = 0,02 Maksimum Epoh = 500 Target Error = 0,01

Bobot awal (ditentukan secara acak): Bobot Awal input ke hidden v = 0,9562 0,7762 0,1623 0,2886 0,1962 0,6133 0,0311 0,9711

Bobot Awal bias ke hidden v0 = 0,7496 0,3796 0,7256 0,1628

Bobot Awal hidden ke output w = 0,2280 0,9585

0,6799 0,0550

Bobot Awal bias ke output w0 = 0,9505

Pembelajaran:
Epoh ke-1:

Data ke = 1 -------------------------------Operasi pada Hidden Layer ---> > Penjumlahan terbobot: z_in1 = v01 + v11*x11 + v21*x12 = 0,7496 + 0,9562*0 + 0,1962*0 = 0,7496 z_in2 = v02 + v12*x11 + v22*x12 = 0,3796 + 0,7762*0 + 0,6133*0 = 0,3796

z_in3 = v03 + v13*x11 + v23*x12 = 0,7256 + 0,1623*0 + 0,0311*0 = 0,7256 z_in4 = v04 + v14*x11 + v24*x12

= 0,1628 + 0,2886*0 + 0,9711*0 = 0,1628

> Pengaktifan:

Operasi pada Output Layer ---> > Perkalian:

y_in = w0 + w1*z1 + w2*z2 + w3*z3 + w4*z4 = 0,9505 + 0,2280*0,6791 + 0,9585*0,5938 + 0,6799*0,6738 + 0,0550*0,5406 = 2,1623

> Pengaktifan:

Error = 0 0,8968 = -0,8968 Jumlah Kuadrat Error = (-0,8968)2 = 0,80428

demikian juga v12= v13= v14= v21= v22= v23= v24,=0.

v11 = v11 + v11 = 0,9562 + 0 = 0,9562 v12 = v12 + v12 = 0,7762 + 0 = 0,7762 v13 = v13 + v13 = 0,1623 + 0 = 0,1623 v14 = v14 + v14 = 0,2886 + 0 = 0,2886 v21 = v21 + v21 = 0,1962 + 0 = 0,1962 v22 = v22 + v22 = 0,6133 + 0 = 0,6133 v23 = v23 + v23 = 0,0311 + 0 = 0,0311 v24 = v24 + v24 = 0,9711 + 0 = 0,9711 v01 = v01 + v01 = 0,7496 0,00412 = 0,7455

v02 = v02 + v02 = 0,3796 0,01919 = 0,3604 v03 = v03 + v03 = 0,7256 0,01240 = 0,7132 v04 = v04 + v04 = 0,1628 0,00113 = 0,1617

w1 = w1 + w1 = 0,2280 0,05636 = 0,1717 w2 = w2 + w2 = 0,9585 0,04928 = 0,9092 w3 = w3 + w3 = 0,6799 0,05592 = 0,6239 w4 = w4 + w4 = 0,0550 0,04486 = 0,0101 w0 = w0 + w0 = 0,9505 0,08299 = 0,8675

Pada data kedua, juga dilakukan operasi-operasi yang sama dengan menggunakan bobotbobot akhir hasil pengolahan data pertama ini sebagai bobot-bobot awalnya. Proses ini dilakukan secara berulang sampai pada maksimum epoh (1500) atau kuadrat error < target error (0,01).

Berikut adalah bobot akhir setelah epoh ke-898:

Bobot Akhir input ke hidden

v = 5,8716 3,6067 3,4877 -0,0704 -4,8532 2,8028 -5,1943 0,7636

Bobot Akhir bias ke hidden

v0 = 2,4618 -0,3884 -1,4258 -0,6994

Bobot Akhir hidden ke output

w = -7,0997 3,5782 6,9212 -0,7503

Bobot Akhir bias ke output

w0 =

0,6571

Gambar 8.22 menunjukkan grafik penurunan Mean Square Error (MSE) pada setiap epoh, mulai dari epoh pertama sampai epoh ke-898.

Gambar 8.22 Grafik penurunan Mean Square Error (MSE) sampai epoh ke-898.

Sekarang kita akan melakukan pengujian terhadap data: x=[0 1]

Operasi pada hidden layer:

z_in1 = v01 + (v11*x1)+ (v21*x2) = 2,4618 + (5,8716*0) + (-4,8532*1) = -2,3914

z_in2 = v02 + (v12*x1)+ (v22*x2) = -0,3884 + (3,6067*0) + (2,8028*1) = 2,4144

z_in3 = v03 + (v13*x1)+ (v23*x2) = -1,4258 + (3,4877*0) + (-5,1943*1) = -6,6201

z_in4 = v04 + (v14*x1)+ (v24*x2) = -0,6994 + (-0,0704*0) + (0,7636*1) = 0,0642

Operasi pada output layer:

y_in = w0 + z1*w1 + z2*w2 + z3*w3 + z4*w4. = 0,6571 + (0,0838*-7,0997) + (0,9179*3,5782) + (0,0013*6,9212) + (0,5160*-0,7503) = 2,9684

Misalkan kita ambil threshold = 0,5; artinya jika nilai y 0,5 maka output yang diberikan adalah 1, namun jika nilai y < 0,5 maka output yang diberikan adalah 0. Dengan demikian output dari x=[0 1] adalah 1 (karena 0,9511>0,5). Sesuai dengan target yang diharapkan.

E. Heteroassociative Memory

Jaringan syaraf associative memory adalah jaringan yang bobot-bobotnya ditentukan sedemikian rupa sehingga jaringan tersebut dapat menyimpan kumpulan pengelompokan pola. Masing-masing kelompok merupakan pasangan vektor (s(p),t(p)) dengan p=1,2,...,P. Tiap-tiap vektor s(p) memiliki n komponen, dan tiap-tiap t(p) memiliki m komponen. Bobot-bobot tersebut dapat ditentukan dengan menggunakan Hebb rule atau delta rule. Jaringan ini nanti akhirnya akan mendapatkan vektor output yang sesuai dengan vektor inputnya (x) yang merupakan salah satu vektor s(p) atau merupakan vektor lain di luar s(p). Algoritma pembelajaran yang biasa digunakan oleh jaringan ini adalah Hebb rule dan delta rule.

Algoritma:

0. Inisialisasi bobot dengan menggunakan Hebb rule atau delta rule. 1. Untuk setiap vektor input, kerjakan:

Set input dengan nilai sama dengan vektor input: Hitung input jaringan ke unit output:

Tentukan aktivasi dari setiap unit output:

(untuk target bipolar)

Contoh 8.5: Misalkan kita memiliki matriks P sebagai input yang hendak dilakukan pembelajaran, dengan target T. Fungsi aktivasi yang digunakan adalah fungsi bipolar.

Input (s) Target (t)