You are on page 1of 23

JST DAN LOGIKA FUZZY ITF 306

JARINGAN SYARAF TIRUAN


BAB 1 PENDAHULUAN
Neuron McCulloch-Pitts (1943)
Neuron Hebb (1949)

BAB 2 PERCEPTRON
BAB 3 ADALINE
BAB 4 BACK PROJECTION

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
1 e n
f ' (n ) f (n )[1 f (n )]
f (n )

Neuron McCulloch-Pitts
Neuron sederhana yang pertama diperkenalkan pada 1943
Disebut juga sebagai Threshold Logic Neuron (TLN)
p1
p2
p3

w1
w2
w3

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

Neuron yang sesuai adalah (dengan


coba-coba):
p1
1
n
a

f
1
p2
w1 = w2 =1
Threshold = 2

p1

p2

n = p1 w1 +p2 w2

a = f(n)

0.1+0.1=0

0.1+1.1=1

1.1+0.1=1

1.1+1.1=2

Threshold dapat diubah dengan menggunakan bias :

n w 1p1 w 2 p 2 b p1 p 2 2
p1
p2

n
b=2

p2
p2 = - p1 +2

a f (n ) 1, n 0
0, n 0 threshold 0
n p1 p 2 2 0 garis pemisah

a
p1

p2

n = p1 w1 +p2 w2 +
b

a = f(n)

0.1+0.1 - 2=- 2

0.1+1.1 - 2= -1

1.1+0.1 - 2 =- 1

1.1+1.1 - 2= 0

Pembobotan dan bias dapat ditentukan secara analisis :

n w 1p1 w 2 p 2 b 0 p 2
p2 =p1 +0,5
p1

w1
b
p1
w2
w2

w1
b
p 2 p1 2
1
2
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
coba-coba):
p1
p2
a
p1
1
n
a
0
0
0

f
1
0
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
+p2 w2

a = f(n)

0.1+0.1=0

0.1+1.1=1

1.1+0.1=1

1.1+1.1=2

p1 1
p2 =p1 +1

p1

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
+p2 w2

a=
f(n)

0.2+0.-1=0

0.2+1.-1= - 1

1.2+0.-1=2

1.2+1.-1=1

p1

Contoh Soal 1.4


Buat model neuron McCulloch-Pitts untuk menyatakan fungsi logika XOR
Jawab :
Tabel kebenarannya XOR adalah : p2
p1 p2

XOR

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

p1

-1
-1

p2

q1
1

1
2

OR

q2

Layar
tersembunyi
p1 p2

p2

q1 = p1
p2

p1

q2 = p 2
p1

q1 q2 = p1 XOR p2

Soal Latihan 1.1


Buat model McCulloch-Pitts untuk menyatakan fungsi logika NAND dengan dua
masukan biner
p1 p2

NAND

Soal Latihan 1.2


Buat model McCulloch-Pitts untuk menyatakan fungsi logika XNOR dengan dua
masukan biner
p1 p2

XNOR

Soal Latihan 1.1


Buat model McCulloch-Pitts untuk menyatakan fungsi logika NAND dengan dua
masukan biner
p1

Jawab :
p1 p2

NAND

w1
w2

p2

b
1

p2

w1
b
p1
w2
w2

w1
4

w2
3

p2

4
p 2 p1 2
3

4
p 2 p1 2
3

2
w2

w 2 3 w 1 4 b 6

a f (n ) 0, n 0
1, n 0
p1

p1

p2

n = p1 w1 +p2
w2+ b

a=
f(n)

0.3+0.4- 6=-6

0.3+1.4-6 = - 2

1.3+0.4-6 =-3

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

p2

p1 p2

p2

w1
b
p1
w2
w2

p2

p 2 p1 0,5

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

p 2 p1 0,5

w1
b
1
0,5
w2
w2

w 2 1 w 1 1 b 0,5

p1

w2 = 1, w1 = -1, b= - 0,5

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

p1

p2

n = p1 w1 +p2
w2+ b

a = f(n)

0.-1+0.1- 0,5=0,5

0.-1+1.1- 0,5 =
0,5

1
XNOR
=(0 p1 1.-1+0.1p2) ( p2 0,5
p1=) = q2 1q1
1,5
Neuron
XNOR
:
1
1
1.-1+1.10,5 =1
0,5
q1
-1

f
p1
1
1
- 0,5
1
1
1
-1
q2
p2

f
- 0,5
1

f
-2

1
AND

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

p1
p2

w1
w2

b
1

Hasil pelatihan :
Masukan

p1

p2

Targ
et

Perubahan
bobot
w = pi t
b = t
w1 w2

Inisiasi

Bobot baru
wbaru = wlama
+ w
bbaru = blama +
b
w1

w2

1
0
1
Hasil
akhir
:1
1
1

1
a=
f(n)

p1

p2

1
1
1
n = p1 w1 +p2
w2+ b

0.1+0.1+1 = 1

0.1+1.1+1= 2

1.1+0.1+1= 2

w1 = 1, w2 = 1, b = 1

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

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

-1

-1

Hasil pelatihan :
Masukan

p1

p2

Targ
et

Perubahan
bobot
w = pi t
b = t
w1 w2

Inisiasi

Bobot baru
wbaru = wlama
+ w
bbaru = blama +
b
w1

w2

-1

-1

-1

-1

-1

-1

-1

-2

-1

-1

-1

-1
-3
w-1
1 = 0, w2 = 0, b = - 2

Hasil akhir :
p1

p2

n = p1 w1 +p2
w2+ b

a=
f(n)

0.0+0.0 - 2 = -2

-1

0.0+1.0 -2 = - 2

-1

1.0+0.0-2 = - 2

-1

w1 = 0, w2 = 0, b = - 2

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

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

-1

-1

-1

-1

-1

-1

Hasil pelatihan :
Masukan

p1

p2

Targ
et

Perubahan
bobot
w = pi t
b = t
w1 w2

Inisiasi

Bobot baru
wbaru = wlama
+ w
bbaru = blama +
b
w1

w2

-1

-1

-1

-1

-1

-1

-1

-1

-1

-2

1
-1
1
Hasil
akhir
:1
1
1

-1

-1

-1

-3

2
a=
f(n)

-2

p1

p2

1
1
1
n = p1 w1 +p2
w2+ b

-1

-1

-1.2+-1.2-2 = -6

-1

-1

-1.2+1.2-2= - 2

-1

-1

1.2+-1.2-2= - 2

-1

w1 = 2, w2 = 2, b = -2

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

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

-1

-1

-1

-1

-1

Jawab :
Hasil pelatihan :
Masukan

p1

p2

p3

Target

Perubahan bobot
w = pi t b = t

w1

w2

w3

Inisialisasi
-1

-1

-1

-1

-1

-1

Bobot baru
wbaru = wlama + w
bbaru = blama + b
w1

w2

w3

Hasil Akhir :
w1 = , w2 =

,w3 =

p1

p2

p3

-1

-1

-1

-1

-1

-1

,b=
n = p1 w1 +p2 w2+ p3
w3 +b

a=
f(n)