BAB 1 PENDAHULUAN

Jaringan Syaraf Biologi

Otak terdiri dari neuron-neuron (1012 ) dan penghubung antar
neuron (6x1018) yang disebut sinapsis (synapse)
Neuron terdiri dari sejumlah dendrit, soma (cell body) dan axon
Dendrit menerima sinyal input berupa impuls listrik
Dendrit memodifikasi sinyal tersebut dan diteruskan ke soma
Soma menjumlahkan sinyal-sinyal yang masuk dari semua
dendrit
Bila jumlahnya melebihi suatu batas ambang (threshold), maka
sinyal akan diteruskan ke neuron lain melalui axon
 Jaringan Syaraf Tiruan
Neuron dengan satu input (skalar)
Dendrit :
Input p dimodifikasi
oleh pembobotan w
menjadi :
n w.p
Bias berharga 1
dengan
pembobotan b
n w.p b
Neuron dengan banyak input (vektor)
Soma :
Semua input setelah pembobotan dijumlahkan
menjadi :
n w 1,1p1 w 1, 2 p 2 w 1,R p R b

Sinapsis :
Output neuron yang akan diteruskan ke
neuron lain tergantung pada fungsi aktivasi f
a = f(n)
 Fungsi Aktivasi (fungsi transfer)

- Berharga 0 atau 1 (biner)

f (n ) 1, n 0
0, n 0

- Dapat berharga berapa saja

f (n ) k.n

- Dapat berharga berapa saja diantara antara

0 dan 1
- Dapat diturunkan (mempunyai turunan)
1
f (n )
1 e n
f ' (n ) f (n )[1 f (n )]
 Neuron McCulloch-Pitts
Neuron sederhana yang pertama diperkenalkan pada 1943
Disebut juga sebagai Threshold Logic Neuron (TLN)

p1 w1
w2 n a
p2
w3 f
p3
w4
p4
Semua pembobotan positip sama (w1 = w2)
Semua pembobotan negatip sama (w3 = w4)
Fungsi aktivasinya biner sehingga sering disebut
sebagai simple binary threshold neuron
a f (n ) 1, n threshold
0, n threshold
Contoh Soal 1.1
Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika AND

Jawab :
Tabel kebenarannya AND adalah :

p1 p2 a Neuron yang sesuai adalah (dengan

coba-coba):
0 0 0
p1 1
0 1 0 n a
f
1 0 0 1
p2
1 1 1
w1 = w2 =1
Threshold = 2

p1 p2 n = p1 w1 +p2 w2 a = f(n)
0 0 0.1+0.1=0 0
0 1 0.1+1.1=1 0
1 0 1.1+0.1=1 0
1 1 1.1+1.1=2 1
Threshold dapat diubah dengan menggunakan bias :
n w 1p1 w 2 p 2 b p1 p 2 2
a f (n ) 1, n 0
p1 1 0, n 0 threshold 0
n a
f n p1 p 2 2 0 garis pemisah
1
p2
b=- p1 p2 n = p1 w1 +p2 w2 + a = f(n)
2 b
1
0 0 0.1+0.1 - 2=- 2 0
p2 0 1 0.1+1.1 - 2= -1 0
1 0 1.1+0.1 - 2 =- 1 0
p2 = - p1 +2
1 1 1.1+1.1 - 2= 0 1
Pembobotan dan bias dapat ditentukan secara analisis :
w1 b
n w 1p1 w 2 p 2 b 0 p 2 p1
w2 w2
w1 b
p2 =p1 +0,5 p 2 p1 2 1 2
p1 w2 w2
w 2 1 w 1 1 b 2
Banyak garis-garis pemisah yang mungkin
Contoh Soal 1.2
Fungsi logika OR dengan dua masukan akan mempunyai keluaran 0 jika dan
hanya jika kedua masukannya 0. Buat model neuron McCulloch-Pitts untuk
menyatakan fungsi logika OR
Jawab :
Tabel kebenarannya OR adalahNeuron
: yang sesuai adalah (dengan
p1 p2 a coba-coba):
p1 1
0 0 0 n a
f
0 1 1 1
p2 w1 = w2 =1
1 0 1 Threshold = 1
1 1 1 p2
w1 b
p2 p1
w2 w2
p1 p2 n = p1 w1 a = f(n) p1 1
+p2 w2
0 0 0.1+0.1=0 0 p2 =p1 +1
0 1 0.1+1.1=1 1
1 0 1.1+0.1=1 1
p1
1 1 1.1+1.1=2 1
Contoh Soal 1.3
Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika p 1 p2
Jawab :
Tabel kebenarannya p1 p2 adalah :
Neuron yang sesuai adalah (dengan
p1 p2 p1 p2
coba-coba):
p2 p1 2
n a
0 0 1 0 f
-
0 1 0 0 p2 1 w1 = 2
1 0 1 1
w2 = -1
1 1 0 0 Threshold = 2
pqpq p2
(p q) = ( p q) = p q

p1 p2 n = p1 w1 a=
+p2 w2 f(n)
0 0 0.2+0.-1=0 0
0 1 0.2+1.-1= - 1 0
1 0 1.2+0.-1=2 1
p1
1 1 1.2+1.-1=1 0
Contoh Soal 1.4
Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika XOR
Jawab :
Tabel kebenarannya XOR adalah : p2
p1 p2 XOR
0 0 0
0 1 1
1 0 1
1 1 0

p1

Ternyata jaringan untuk menyatakan fungsi logika XOR tidak bisa dibuat
seperti contoh-contoh yang lalu ( tidak dapat dipisahkan oleh sebuah garis).
Baru dapat dipisahkan dengan dua buah garis, sehingga perlu digunakan
sebuah layar tersembunyi (hidden layer)
p1 XOR p2 (p1 p2) ( p2 p1)
q1 = (p1 p2) w1 =2, w2 = -1, threshold = 2

q2 = (p2 p1) w1 =-1, w2 = 2, threshold

=2
a = p 1 p2 w1 =1, w2 = 1, threshold
=1

2 q1
p1 f 1
-1
a
f
-1 1
OR
2 q2
p2 f
Layar
tersembunyi
p1 p2 q1 = p1 p1 q2 = p 2 q1 q2 = p1 XOR p2
p2 p2 p1

0 0 1 0 1 0 0
0 1 0 0 1 1 1
1 0 1 1 0 0 1
Soal Latihan 1.1
Buat model McCulloch-Pitts untuk menyatakan fungsi logika NAND dengan dua
masukan biner

p1 p2 NAND
0 0 1
0 1 1
1 0 1
1 1 0

Soal Latihan 1.2

Buat model McCulloch-Pitts untuk menyatakan fungsi logika XNOR dengan dua
masukan biner
p1 p2 XNOR
0 0 1
0 1 0
1 0 0
1 1 1
Soal Latihan 1.1
Buat model McCulloch-Pitts untuk menyatakan fungsi logika NAND dengan dua
masukan biner

Jawab : p1 w1
n a
f
p1 p2 NAND w2
p2
0 0 1 b
0 1 1
1
1 0 1
w1 b 4
1 1 0 p2 p1 p 2 p1 2
w2 w2 3
w1 4 b
p2 2
w2 3 w2
4
p 2 p1 2 w 2 3 w 1 4 b 6
3
p1 p2 n = p1 w1 +p2 a=
w2+ b f(n)

a f (n ) 0, n 0 0 0 0.3+0.4- 6=-6 1

1, n 0 0 1 0.3+1.4-6 = - 2 1
1 0 1.3+0.4-6 =-3 1
p1
Soal Latihan 1.2
Buat model McCulloch-Pitts untuk menyatakan fungsi logika XNOR dengan dua
masukan biner

Jawab : p1 XOR p2 (p1 p2) ( p2 p1)

XNOR = XOR = [p1 p2) ( p2 p1)]

XNOR = (p1 p2) (p2 p1)
XNOR =( p1 p2) ( p2 p1 )

p1 p2 p1 p2 p2
p2
0 0 1 1
p 2 p1 0,5
0 1 0 0
a f (n ) 0, n 0
1 0 1 1
1, n 0
1 1 0 1
w1 b
p2 p1 p 2 p1 0,5
w2 w2
w1 b p1
1 0,5
w2 w2
w 2 1 w 1 1 b 0,5
w2 = 1, w1 = -1, b= - 0,5
a f (n ) 0, n 0
1, n 0
p1 p2 n = p1 w1 +p2 a = f(n)
w2+ b
0 0 0.-1+0.1- 0,5=- 1
0,5
0 1 0.-1+1.1- 0,5 = 0
0,5
1
XNOR =(0 p1 1.-1+0.1-
p2) ( p2 0,5
p1=-
) = q2 1q1
1,5
Neuron
1 XNOR
1 :
1.-1+1.1- 0,5 =- 1
0,5
-1 q1
p1 f 1
1
- 0,5 a
f
1 1
1
-1 q2 -2
p2 f
1
- 0,5 AND
1
 Neuron Hebb
Pada model neuron McCulloch-Pitts pembobotan dan
bias harus ditentukan secara coba-coba atau secara
analitis
Diperlukan suatu cara/metoda tertentu untuk
menentukan pembobotan dan bias
Pada 1949 Hebb memperkenalkan model neuron
yang dapat menentukan pemboboran dan bias
secara iteratif
Algoritma pelatihan Hebb dengan vektor input s dan
target t :
Inisialisasi semua bobot = 0 dan b = 0
Set masukan pi = si (i=1,2, R)
Set keluaran a = t
Perbaiki bobot : wi (baru) = wi (lama) + w dengan w = pi t
Perbaiki bias : b(baru) =b(lama) + b dengan b = t
Contoh Soal 1.5
Buat jaringan Hebb untuk menyatakan fungsi logika AND jika representasi yang dipakai
adalah :
a). Masukan dan keluaran biner
b). Masukan biner dan keluaran bipolar
c). Masukan dan keluaran bipolar

Jawab :
a) Pola hubungan masukan-target :

Masukan Target
p1 p2 1 t
0 0 1 0
0 1 1 0
1 0 1 0
1 1 1 1

p1 w1
n a
f
w2
p2
b

1
Hasil pelatihan :
Masukan Targ Perubahan Bobot baru
et bobot wbaru = wlama
w = pi t + w
b = t bbaru = blama +
b
p1 p2 1 t w1 w2 b w1 w2 b
Inisiasi 0 0 0
0 0 1 0 0 0 0 0 0 0
0 1 1 0 0 0 0 0 0 0 w1 = 1, w2 = 1, b = 1
1 0 1 0 0 0 0 0 0 0
Hasil
1 akhir
1 :1 1 1 1 1 1 1 1
p1 p2 n = p1 w1 +p2 a=
w2+ b f(n) f (n ) 1, n 0
0 0 0.1+0.1+1 = 1 1 0, n 0
0 1 0.1+1.1+1= 2 1
1 0 1.1+0.1+1= 2 1
1 1 1.1+1.1+1= 3 1
Keluaran target Jaringan Hebb tidak dapat mengerti pola yang dimaksud
b) Pola hubungan masukan-target :
Masukan Target
p1 p2 1 t
0 0 1 -1
0 1 1 -1
1 0 1 -1
1 1 1 1

Hasil pelatihan :
Masukan Targ Perubahan Bobot baru
et bobot wbaru = wlama
w = pi t + w
b = t bbaru = blama +
b
p1 p2 1 t w1 w2 b w1 w2 b
Inisiasi 0 0 0
0 0 1 -1 0 0 -1 0 0 -1
0 1 1 -1 0 -1 -1 0 -1 -2
1 0 1 -1 -1 0 -1 w-1= 0, -1 = 0,-3
w b=-2
1 2
 Hasil akhir :
p1 p2 n = p1 w1 +p2 a=
w2+ b f(n) w1 = 0, w2 = 0, b = - 2

0 0 0.0+0.0 - 2 = -2 -1
f (n ) 1, n 0
0 1 0.0+1.0 -2 = - 2 -1
1, n 0
1 0 1.0+0.0-2 = - 2 -1
1 1 1.0+1.0 - 2= -2 -1
Keluaran target Jaringan Hebb tidak dapat mengerti pola yang dimaksud

c) Pola hubungan masukan-target :

Masukan Target
p1 p2 1 t
-1 -1 1 -1
-1 1 1 -1
1 -1 1 -1
1 1 1 1
Hasil pelatihan :
Masukan Targ Perubahan Bobot baru
et bobot wbaru = wlama
w = pi t + w
b = t bbaru = blama +
b
p1 p2 1 t w1 w2 b w1 w2 b
Inisiasi 0 0 0
-1 -1 1 -1 1 1 -1 1 1 -1
-1 1 1 -1 1 -1 -1 2 0 -2 w1 = 2, w2 = 2, b = -2
1 -1 1 -1 -1 1 -1 1 1 -3
Hasil
1 akhir
1 :1 1 1 1 1 2 2 -2
p1 p2 n = p1 w1 +p2 a=
w2+ b f(n) f (n ) 1, n 0
-1 -1 -1.2+-1.2-2 = -6 -1 1, n 0
-1 1 -1.2+1.2-2= - 2 -1
1 -1 1.2+-1.2-2= - 2 -1
1 1 1.2+1.2-2= 2 1
Keluaran = target Jaringan Hebb mengerti pola yang dimaksud
Keberhasilan jaringan Hebb tergantung pada representasi masukan dan target
Latihan Soal 1.3
Buat jaringan Hebb untuk mengenali pola pada tabel di bawah ini
p1 p2 p3 1 t
-1 1 1 1 -1
1 -1 1 1 -1
1 1 -1 1 -1
1 1 1 1 1
Jawab :
Hasil pelatihan :
Masukan Target Perubahan bobot Bobot baru
w = pi t b = t wbaru = wlama + w
bbaru = blama + b

p1 p2 p3 1 t w1 w2 w3 b w1 w2 w3 b
Inisialisasi 0 0 0 0
-1 1 1 1 -1
1 -1 1 1 -1
1 1 -1 1 -1
1 1 1 1 1
Hasil Akhir :
w1 = , w2 = ,w3 = ,b=

p1 p2 p3 T n = p1 w1 +p2 w2+ p3 a=
w3 +b f(n)
-1 1 1 -1
1 -1 1 -1
1 1 -1 -1
1 1 1 1