Neuron Mc Culloch Pitts dan Hebb

  • 403 views
Uploaded on

Neuron Mc Culloch Pitts dan Hebb

Neuron Mc Culloch Pitts dan Hebb

More in: Engineering
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
403
On Slideshare
0
From Embeds
0
Number of Embeds
1

Actions

Shares
Downloads
22
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. ALGORITMA NEURON MCCULLOCH-PITTS DAN NEURON HEBB Sherly Christina, S.Kom., M.Kom
  • 2. MODEL NEURON MCCULLOCH-PITTS  Tahun 1943 oleh Warren Mc Culloch, Ahli Syaraf dan Walter Pitts, Ahli Logika  Neuron McCulloch-Pitts model JST pertama
  • 3. ARSITEKTUR JARINGAN MODEL NEURON MCCULLOCH-PITTS
  • 4. FUNGSI AKTIVASI NEURON MCCULLOCH- PITTS  Fungsi Undak Biner
  • 5. CONTOH 1  Buat Model Neuron McCulloch-Pitts untuk mengenali pola fungsi logika “AND” sesuai tabel kebenaran berikut. X1 X2 Y 0 0 0 0 1 0 1 0 0 1 1 1
  • 6. CONTOH 1  Input : X1 dan X2  Bobot : W1=1 dan W2=1 X1 X2 Net = ΣXiWi 0 0 0.1+0.1 = 0 0 1 0.1+1.1=1 1 0 1.1+0.1=1 1 1 1.1+1.1=2
  • 7. CONTOH 1  Nilai threshold θ =2 X1 X2 Net = ΣXiWi Y(net) 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
  • 8. MODEL NEURON HEBB 1949, D.O. Hebb Bobot dan Bias dihitung secara iteratif
  • 9. ARSITEKTUR JARINGAN MODEL NEURON HEBB
  • 10. ALGORITMA PELATIHAN HEBB 1. Inisialisasi Bobot dan Bias: Wi=0; b=0 2. Untuk setiap pasangan input-target, lakukan a. Set aktivasi unit input: Xi=Si; (i=1,2,...,n) b. Set aktivasi unit output:Yj=tj; (j=1,2,...,m)
  • 11. ALGORITMA PELATIHAN HEBB 3. Perbaiki bobot menurut persamaan berikut Wi(baru)=Wi(lama)+Xi*Yj; 4. Perbaiki bias menurut persamaan berikut b(baru)=b(lama)+Y
  • 12. CONTOH 2  Buat jaringan Hebb untuk mengenali pola fungsi logika “OR” menurut tabel kebenaran berikut. X1 X2 Target 0 0 0 0 1 1 1 0 1 1 1 1
  • 13. CONTOH 2 Inisialisasi bobot dan bias:  W1=0  W2=0  b=0
  • 14. CONTOH 2; 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  W2(baru) = W2(lama)+X2*Y = 0+0.0 = 0  b(baru) = b(lama)+Y = 0+0 = 0
  • 15. CONTOH 2; DATA KE-2  X1 = 0; X2 = 1 ; y= 1 (target)  Perubahan bobot dan bias untuk data ke-2:  W1(baru) = W1(lama)+X1*Y = 0+0.1 = 0  W2(baru) = W2(lama)+X2*Y = 0+1.1 = 1  b(baru) = b(lama)+Y = 0+1 = 1
  • 16. CONTOH 2; DATA KE-3  X1 = 1; X2 = 0 ; y= 1 (target)  Perubahan bobot dan bias untuk data ke-3:  W1(baru) = W1(lama)+X1*Y = 0+1.1 = 1  W2(baru) = W2(lama)+X2*Y = 1+0.1 = 1  b(baru) = b(lama)+Y = 1+1 = 2
  • 17. CONTOH 2; DATA KE-4  X1 = 1; X2 = 1 ; y= 1 (target)  Perubahan bobot dan bias untuk data ke-4:  W1(baru) = W1(lama)+X1*Y = 1+1.1 = 2  W2(baru) = W2(lama)+X2*Y = 1+1.1 = 2  b(baru) = b(lama)+Y = 2+1 = 3
  • 18. CONTOH 2;PENGUJIAN  Nilai W1=2; W2=2 dan b=3 digunakan untuk pengujian terhadap fungsi aktifasi X1 X2 Net = ΣXiWi + b Y(net) 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
  • 19. CONTOH 2; HASIL ≠ Y(net) ≠ Target  JST tidak dapat mengenali pola pada fungsi logika OR dengan input-output berupa bilangan biner.
  • 20. TUGAS MANDIRI  Coba jaringan Hebb untuk mengenali pola fungsi logika OR dengan ketentuan:  Input bilangan biner, output bilangan bipolar  Input bilangan bipolar, output bilangan bipolar  Coba jaringan Hebb untuk mengenali pola fungsi logika AND dengan ketentuan  Input bilangan biner, output bilangan biner  Input bilangan biner, output bilangan bipolar  Input bilangan bipolar, output bilangan bipolar
  • 21. ADA PERTANYAAN ?? TERIMA KASIH.