NEURAL NETWORK

DESIGN
BAB 3 : AN ILLUSTRATIVE EXAMPLE
Dwi Fitra Hidayat Satria Wibowo
13213016

Problems
Dibutuhkan alat penyortir buah-buahan untuk sebuah

pabrik.
Spesifikasi alat :
Output dari shape sensor sama dengan 1 untuk bulat dan -1 untuk

elips.
Output dari texture sensor sama dengan 1 untuk permukaan halus
dan -1 untuk permukaan kasar.
Output dari weight sensor sama dengan 1 untuk berat >1 pound
dan -1 untuk berat <1 pound
Asumsi jenis buah adalah apel dan jeruk.

Problem Solving
3 Neural network untuk menyelesaikan masalah

sebelumnya.
Perceptron : memisahkan input menjadi 2 kategori dengan prinsip

decision boundary.
Hamming Network : terdiri dari feedforward layer dan recurrent
layer yang khusus digunakan untuk memecahkan binary case
( dalam kasus tersebut 1 dan -1). Melalui iterasi pada recurrent
layer, hanya akan terdapat 1 neuron dengan output tidak nol untuk
menentukan vektor prototype mana yang paling mirip dengan
vektor input.
Hopfield Network : iterasi dilakukan pada vektor input agar hasil
sama dengan salah satu vektor prototype. Network ini merupakan
recurrent network

PERCEPTRON

Menentukan decision boundary yang memisahkan kedua vektor simetris.

Terdapat dua kategori dalam hal ini yakni apel dan jeruk yang digunakan
sebuah single-neuron perceptron.
Mencari matriks Weight (W) dan Bias (b) dari decision boundary.
Menguji perceptron yang telah didesain:

PERCEPTRON
Dengan input jeruk yang tidak

sempurna :

Respon perceptron:

Ditulis :

Didapat W = [0 1 0] dan b = 0

Didapatkan hasil output jeruk.

HAMMING NETWORK
Menentukan vektor prototype

yang paling mendekati vektor

input melalui hasil recurrent
layer yang tidak nol saat sudah
konvergen.

FEEDFORWARD LAYER :
Menentukan W1 dan b1 dari layer:

Untuk b, setiap elemen bernilai R, yaitu jumlah elemen input vektor. Penambahan bias

dilakukan agar output layer tidak negatif berguna untuk operasi recurrent layer

 RECURRENT LAYER
Menentukan W2

Dengan , S merupakan jumlah neuron pada recurrent layer.

W2 menyebabkan elemen besar dikurangi elemen kecil, sedangkan elemen yang kecil dikurangi

yang besar yang menyebabkan konvergen pada suatu nilai dimana hanya terdapat satu elemen
tidak nol.

Contoh input:

Feedforward layer:

Recurrent layer:

Hasil : jeruk => sesuai karena Hamming dist lebih kecil (1) dibanding dengan apel (2)

HOPFIELD NETWORK
Dilakukan iterasi terus menerus hingga vektor input menjadi sama dengan salah satu vektor

prototype. Vektor prototype yang terpilih tersebut merupakan output dari Hopfield Network ini.

Digunakan fungsi transfer satlins, dimana linear pada rentang [-1,1], dan membatasi pada -1 untuk

input lebih kecil dari -1 dan 1 untuk input lebih besar dari 1
Penentuan W dan b lebih kompleks dibanding Hamming Network. Pada kasus ini, diberikan:

Dari kedua pattern, terlihat bahwa elemen pertama bernilai 1 pada kedua pattern, dan elemen

ketiga bernilai -1 pada kedua pattern. Oleh karena itu, diinginkan elemen pertama selalu menuju 1
(bias 0.9) dan elemen ketiga menuju -1 (bias -0.9)
Elemen kedua dapat bernilai -1 dan 1, oleh karena itu nilai weight besar (1.2) dan bias kecil (0).

 Dengan input

Maka

Menghasilkan kesimpulan: jeruk

SUMMARY
Perceptron memiliki output : nilai -1 (orange) atau 1(apel)
Hamming Network memiliki output : satu set neuron dengan satu output tidak nol yang
menunjukkan hasil yakni antara neuron pertama (orange) dan neuron kedua (apel)
Hopfield Network menghasilkan output berupa vektor prototype, yaitu
(orange) dan
(apel)