JARINGAN SYARAF HEBB

Musli Yanto, S.Kom, M.Kom

Deskripsi dan Capaian pembelajaran
Deskripsi Singkat
Hebb rule merupakan model pembelajaran
terawasi (supervised learning) dan merupakan
metode pembelajaran yang paling sederhana yang
dipakai pada jaringan syaraf satu lapis.

Capaian pembelajaran matakuliah

Mahasiswa dapat memakai JST Hebb untuk
menyelesaikan masalah pengenalan pola sederhana
Jaringan Syaraf Hebb
Hebb memperkenalkan aturan pembelajaran/pelatihan
pada JST.
Pembelajaran dilakukan dgn memodifikasi kekuatan
sinaptik (bobot). hingga : jika 2 neuron saling
berhubungan dalam waktu dan kondisi yg sama (on)
maka bobot dari kedua neuron tsb akan dinaikkan.
JST satu lapisan yg dilatih dengan aturan Hebb disebut
dgn jaringan Hebb .
Algoritma Pelatihan Hebb
langkah 0 : Bobot dan bias diberi nilai awal :
wi = 0 (i = 1,2,…,n) ; b = 0
langkah 1 : untuk tiap pasangan input dan target, s : t, lakukan
langkah 2 sampai 4 :
Langkah 2 : set aktivasi untuk unit input :
xi = si (i = 1,2,…,n)
Langkah 3 : set aktivasi untuk unit output : y=t
Langkah 4 : perbaiki nilai bobot :
wi(baru) = wi(lama) +xiy (i = 1,2,…,n)
perbaiki nilai bias :
b(baru) = b(lama) + y
Biasanya perubahan bobot disimbolkan dgn Δw
Δw = xiy sehingga wi(baru) = wi(lama) + Δw
Jaringan Syaraf Hebb
Catatan :
Nilai bias dari unit input biasanya secara eksplisit tidak
dipakai pada aturan Hebb. Biasanya nilai bias selalu 1.
Sebab tanpa nilai bias masalah tidak akan ada solusi.
Aplikasi Contoh Jaringan Hebb
Contoh aplikasi JST Hebb untuk solusi fungsi logika
AND
1. Contoh : jaringan Hebb untuk fungsi logika AND :
input biner dan target biner.

Buktikan apakah jaringan Hebb dapat mengenali pola

logika AND ?
Aplikasi Contoh Jaringan Hebb

Gambar Arsitektur JST Hebb untuk solusi

fungsi logika AND

Diketahui : langkah 0 : Bobot dan bias diberi nilai awal :

wi = 0 (i = 1,2,…,n) ; b = 0
input target langkah 1 : untuk tiap pasangan input dan target, s : t, lakukan
langkah 2 sampai 4 :
x1 x2 t Langkah 2 : set aktivasi untuk unit input :
xi = si (i = 1,2,…,n)
Langkah 3 : set aktivasi untuk unit output :
1 1 1 y=t
1 0 0 Langkah 4 : perbaiki nilai bobot :
0 1 0 wi(baru) = wi(lama) +xiy (i = 1,2,…,n)
0 0 0 perbaiki nilai bias :
b(baru) = b(lama) + y
 Jawaban
langkah 0 : Bobot dan bias diberi nilai awal :
wi = 0 (i = 1,2,…,n) ; b = 0
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
 Jawaban
langkah 1 : untuk tiap pasangan input dan target, s : t, lakukan
langkah 2 sampai 4 :
Langkah 2 : set aktivasi untuk unit input :
xi = si (i = 1,2,…,n)
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1
1 0 0
0 1 0
0 0 0
 Jawaban
Langkah 3 : set aktivasi untuk unit output :
y=t
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1
1 0 0 0
0 1 0 0
0 0 0 0
 Jawaban
Langkah 4 : perbaiki nilai bobot :
wi(baru) = wi(lama) +xiy (i = 1,2,…,n)
perbaiki nilai bias :
b(baru) = b(lama) + y
Biasanya perubahan bobot disimbolkan dgn Δw
Δw = xiy sehingga wi(baru) = wi(lama) + Δw
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1
1 0 0 0
0 1 0 0
0 0 0 0
 Jawaban
perubahan bobot Data 1 (x1 =1, x2 =1)
Δw1 = x1*y Δw2 = x2 *y Δb1 = b lama + y
1*1=1 1*1=1 0+1=1

w1(baru) = w1(lama) + Δw1

0 + 1 =1
w2(baru) = w2(lama) + Δw2
0 + 1 =1
b (baru) = b (lama) + Δb1
0 + 1 =1 (b(lama) diambil dari nilai b =0)
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
1 0 0 0
0 1 0 0
0 0 0 0
 Jawaban
perubahan bobot Data 2 (x1 =1, x2 =0)
Δw1 = x1 *y Δw2 = x2 *y Δb = b lama + y
1*0=0 0*0=0 0+0=0

w1(baru) = w1(lama) + Δw1

1+ 0 =1
w2(baru) = w2(lama) + Δw2
1 + 0 =1
b (baru) = b (lama) + Δb2
1 + 0 =1 (b(lama) diambil dari nilai b =1)
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
1 0 0 0 0 0 0 1 1 1
0 1 0 0
0 0 0 0
 Jawaban
perubahan bobot Data 3 (x1 =0, x2 =1)
Δw1 = x1 *y Δw2 = x2 *y Δb3 = b lama + y
0*0=0 1*0=0 0+0=0

w1(baru) = w1(lama) + Δw1

1+ 0 =1
w2(baru) = w2(lama) + Δw2
1 + 0 =1
b (baru) = b(lama) + Δb3
1 + 0 =1 (b(lama) diambil dari nilai b =1)
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
1 0 0 0 0 0 0 1 1 1
0 1 0 0 0 0 0 1 1 1
0 0 0 0
 Jawaban
perubahan bobot Data 4 (x1 =0, x2 =0)
Δw1 = x1 *y Δw2 = x2 *y Δb4 = b lama + y
0*0=0 0*0=0 0+0=0

w1(baru) = w1(lama) + Δw1

1+ 0 =1
w2(baru) = w2(lama) + Δw2
1 + 0 =1
b (baru) = b (lama) + Δb4
1 + 0 =1 (b(lama) diambil dari nilai b =1)
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
1 0 0 0 0 0 0 1 1 1
0 1 0 0 0 0 0 1 1 1
0 0 0 0 0 0 0 1 1 1
Jawaban
Dari tabel diatas, batas keputusan (decision boundary) dari fungsi
logika AND dinyatakan dengan persamaan garis pemisah
(separating line) :
w1 x1 + w2 x2 + b = 0
1.x1 + 1.x2 + 1 = 0
x1 + x2 + 1 = 0 atau x2 = -x1 – 1
Jawaban
 Dapat dilihat dari tabel 2.1, garis batas keputusan dari input
pertama sampai input terakhir tidak mengalami perubahan
yaitu : x2 = -x1 - 1 (gambar 2.2)
 Setelah mendapat nilai bobot dan bias maka kita
melakukan Testing thd pola input dengan memakai bobot
dan bias yg didapat dalam proses pelatihan
w1 = 1 , w2 = 1, dan b = 1
input Bobot bias net = b +i å xi wi output target
x1 x2 w1 w2 b y=f(net)
1 1 1 1 1 1

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

0 0 1 1 1 0
Jawaban
Data 1 (x1 =1, x2 =1)
net = bi + å xi wi
= b + ((x1*w1) + (x2*w2))
= 1 + ((1*1) + (1*1))
=1+2=3
Data 2 (x1 =1, x2 =0)
net = bi + å xi wi
= b + ((x1*w1) + (x2*w2))
= 1 + ((1*1) + (0*1))
=1+1=2
Data 3 (x1 =0, x2 =1)
net = bi + å xi wi
= b + ((x1*w1) + (x2*w2))
= 1 + ((0*1) + (1*1))
=1+1=2
Jawaban
Data 4 (x1 =0, x2 =0)
net = bi + å xi wi
= b + ((x1*w1) + (x2*w2))
= 1 + ((0*1) + (0*1))
=1+0=1
Input Bobot bias net = b +i å xi wi output target
x1 x2 w1 w2 b y=f(net)
1 1 1 1 1 3 1
1 0 1 1 1 2 0
0 1 1 1 1 2 0
0 0 1 1 1 1 0
 Jawaban
Fungsi threshold (hard- limiter)
Fungsi threshold type : biner dan bipolar
Fungsi threshold biner mempunyai output y yaitu :

Data 1 (x1 =1, x2 =1) Data 2 (x1 =1, x2 =0) Data 3 (x1 =0, x2 =1) Data 4 (x1 =0, x2 =0)
Y=f(net) Y=f(net) Y=f(net) Y=f(net)
= 1 (net=3 ≥ 0) = 1 (net=2 ≥ 0) = 1 (net=2 ≥ 0) = 1 (net=1 ≥ 0)
Input Bobot bias net = b +i å xi wi output target
x1 x2 w1 w2 b y=f(net)
1 1 1 1 1 3 1 1

1 0 1 1 1 2 1 0
0 1 1 1 1 2 1 0

0 0 1 1 1 1 1 0
Kesimpulan Jawaban
Hasil ini menunjukkan JST Hebb yg dilatih dg pasangan
pola input biner dan target biner tidak menghasilkan
JST yg sempurna.
Tugas Latihan Algoritma Hebb
Contoh aplikasi JST Hebb untuk solusi fungsi logika
AND
1. Contoh : jaringan Hebb untuk fungsi logika AND :
input biner dan target bipolar.

Buktikan apakah jaringan Hebb dapat mengenali pola

logika AND ?
Tugas Latihan Algoritma Hebb
Contoh aplikasi JST Hebb untuk solusi fungsi logika OR
2. Contoh : jaringan Hebb untuk fungsi logika OR : input
biner dan target biner.

Buktikan apakah jaringan Hebb dapat mengenali pola

logika AND ?