JST 4

Algoritma
Pembelajaran
dengan Supevisi
Hebb Rule
Pada model neuron McCulloch-Pitts akan
mengalami kesulitan bila berhadapan
dengan fungsi – fungsi yang kompleks. Hal
ini terjadi karena dalam menentukan bobot
w dan nilai ambang di lakukan secara
analitik atau menggunakan cara coba –
coba.
Hebb Rule
Dalam Algoritma Hebb diperkenalkan cara
menghitung bobot dan bias secara iteratif
dengan memanfaatkan model pembelajaran
supervisi sehingga bobot w dan bias dapat
dihitung secara otomatis tanpa melakukan
cara coba – coba. Model Hebb merupakan
model jaringan tertua yang menggunakan
pembelajaran supervisi
Arsitektur
X1
W1 Jaringan Hebb
W2 net = f(net)
y
X2 ∑xw+b
W3
X3
b
1
Algoritma Pelatihan Hebb
1. Inisialisasi bobot dan Bias
Wi = 0; dengan i = 1,2,…..n
B=0
2. Untuk setiap pasang input-target (s-t),lakukan :
a. Set aktivasi unit input Xi = Si; (i = 1,2,…..n)
b. Set aktivasi unit output Yj = Tj; (j = 1,2,…..n)
3. Perbaiki bobot menurut persamaan berikut:
Wi(baru) = W1(lama) +Xi * Yj
(i = 1,2,….,n; dan j = 1,2,…m)
4. Perbaiki Bias menurut persamaan berikut :
b(baru) = b(lama) +Y
Contoh :
Buat jaringan Hebb untuk mengenali pola
fungsi logika “OR” jika representasi
masukan dan keluaran adalah sebagai
berikut :
a. Masukan biner keluar biner
b. Masukan biner keluar bipolar
c. Masukan bipolar keluar bipolar
Penyelesaian :
1. Masukan dan target dari fungsi logika “OR”
dengan masukan biner keluaran biner dapat
dinyatakan sbb :
X1 X2 Target
0 0 0
0 1 1
1 0 1
1 1 1
X1
W1 Arsitektur
Jaringan Hebb
W2 net = f(net)
y
X2 ∑xw+b
1
Inisialisasi bobot dan bias :
W1 = 0
W2 = 0
b=0
Inisialisasi bobot dan bias : W1 = 0 W2 = 0 b = 0
Data ke-1 : X1 = 0 X2 = 0 y = 0 (target)
Perubahan bobot dan bias untuk data ke-1 :
W1(baru) = W1(lama) + X1 * y
= 0 + 0.0
=0
= 0 + 0.0
=0
b(baru) = b(lama) + y
=0+0
=0
= 0 + 0.1
=0
= 0 + 1.1
=1
=0+1
=1
= 0 + 1.1
=1
= 1 + 0.1
=1
=1+1
=2
= 1 + 1.1
=2
= 1 + 1.1
=2
=2+1
=3
Disini diperoleh nilai bobot dan bias sbb:
W1 = 2 W2 = 2 b = 3
Nilai inilah yang dipakai untuk menguji data masukan
X1 X2 net = ∑XiWi+b 0, jika net < 0
f(net) =
1, jika net ≥ 0
0 0 0.2 + 0.2 + 3 = 3 1
0 1 0.2 + 1.2 + 3 = 5 1
1 0 1.2 + 0.2 + 3 = 5 1
1 1 1.2 + 1.2 + 3 = 7 1
Terlihat bahwa nilai f(net) tidak sama dengan target yang

diinginkan pada fungsi logika “OR”. Ini berarti untuk
masukan biner dan keluaran biner dua input, jaringan tidak
bisa mengenali pola fungsi logika “OR”
Penyelesaian :
2. Fungsi logika “OR” dengan masukan biner
keluaran Bipolar dapat dinyatakan sbb :
X1 X2 Target
0 0 -1
0 1 1
1 0 1
1 1 1
Data ke-1 : X1 = 0 X2 = 0 y = -1 (target)
= 0 + 0.(-1)
=0
= 0 + 0.(-1)
=0
= 0 + (-1)
= -1
= 0 + 0.1
=0
= 0 + 1.1
=1
= (-1) + 1
=0
= 0 + 1.1
=1
= 1 + 0.1
=1
=0+1
=1
= 1 + 1.1 = 2
= 1 + 1.1 = 2
=1+1=2

W1 = 2 W2 = 2 b = 2
X1 X2 net = ∑XiWi+b -1, jika net < 0
f(net) =
1, jika net ≥ 0
0 0 0.2 + 0.2 + 2 = 2 1
0 1 0.2 + 1.2 + 2 = 4 1
1 0 1.2 + 0.2 + 2 = 4 1
1 1 1.2 + 1.2 + 2 = 6 1

masukan biner dan keluaran Bipolar dua input, jaringan
tidak bisa mengenali pola fungsi logika “OR”
Penyelesaian :
3. Fungsi logika “OR” dengan masukan bipolar
keluaran Bipolar dapat dinyatakan sbb :
X1 X2 Target
-1 -1 -1
-1 1 1
1 -1 1
1 1 1
Data ke-1 : X1 = -1 X2 = -1 y = -1 (target)
= 0 + (-1).(-1)
=1
= 0 + (-1).(-1)
=1
= 0 + (-1)
= -1
Data ke-2 : X1 = -1 X2 = 1 y = 1 (target)
= 1 + (-1).1
=0
= 1 + 1.1
=2
= (-1) + 1
=0
Data ke-3 : X1 = 1 X2 = -1 y = 1 (target)
= 0 + 1.1
=1
= 2 + (-1).1
=1
=0+1
=1
= 1 + 1.1= 2
= 1 + 1.1 = 2
=1+1=2
W1 = 2 W2 = 2 b = 2
X1 X2 net = ∑XiWi+b -1, jika net < 0

f(net) =
1, jika net ≥ 0
0 0 0.2 + 0.2 + 2 = 2 1
0 1 0.2 + 1.2 + 2 = 4 1
1 0 1.2 + 0.2 + 2 = 4 1
1 1 1.2 + 1.2 + 2 = 6 1

masukan bipolar dan keluaran bipolar dua input, jaringan
tidak bisa mengenali pola fungsi logika “OR”
Tugas :
Buat jaringan Hebb untuk mengenali pola
fungsi logika “AND” jika representasi
masukan dan keluaran adalah sebagai
berikut :
a. Masukan biner keluar biner
b. Masukan biner keluar bipolar
c. Masukan bipolar keluar bipolar
TERIMA KASIH

JST 4

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

JST 4

Diunggah oleh

Hak Cipta:

Format Tersedia

Algoritma

Terlihat bahwa nilai f(net) tidak sama dengan target yang

Disini diperoleh nilai bobot dan bias sbb:

Terlihat bahwa nilai f(net) tidak sama dengan target yang

X1 X2 net = ∑XiWi+b -1, jika net < 0

Terlihat bahwa nilai f(net) tidak sama dengan target yang

Anda mungkin juga menyukai