SlideShare a Scribd company logo
1 of 8
Contoh Soal 
• Diketahui sebuah Table Kebenaran dan Struktur Jaringan untuk XOR 
sbb: 
X1 X2 Target 
0 0 0 
0 1 1 
1 0 1 
1 1 0 
XOR Truth Table 
1 
2 
Y 
Bias (b)=+1 
X1 
X2 
Input Unit Hidden Unit Output Unit 
w1 
w2
Tahap 1 : Menentukan Center secara acak 
• Misalnya ditentukan 2 center (menyatakan jumlah hidden) secara 
acak sbb : 
• T1 = [1 1] 
• T2 = [0 0] 
• Maka jumlah hidden yang harus dibuat sebanyak 2 buah. 
• Nilai spread diasumsikan :  = 1
Kalau tabelnya seperti telihat di atas, maka : 
• Matriknya adalah : 
0 0 
11 12 
0 1 
 
21 22 
1 0 
31 32 
1 1 
41 42
Tahap 2 : Pembaharuan Bobot 
• Lankah 1. Meneruskan sinyal ke hidden layer dan menghitung nilai fungsi aktifasi dengan fungsi 
Gaussian. 
휑 푟 = 푒푥푝 − 
푟2 
2휎2 
휑 푥 − 푡 = 푒푥푝(− 푥 − 푡 )2 Input Center 
• 휑 11 = exp(−( 0 − 1 2+(0-1) 2=exp(-2)=0.1353  [0 0] dan [1 1] 
• 휑 21 = exp(−( 0 − 1 2+(1-1) 2=exp(-1)=0.3678  [0 1] dan [1 1] 
• 휑 31 = exp(−( 1 − 1 2+(0-1) 2=exp(-1)=0.3678  [1 0] dan [1 1] 
• 휑 41 = exp(−( 1 − 1 2+(1-1) 2=exp(0)= 1  [1 1] dan [1 1] 
• 휑 12 = exp(−( 0 − 0 2+(0-0) 2=exp(0)=1  [0 0] dan [0 0] 
• 휑 22 = exp(−( 0 − 0 2+(1-0) 2=exp(-1)=0.3678  [0 1] dan [0 0] 
• 휑 32 = exp(−( 1 − 0 2+(0−0) 2=exp(−1)=0.3678 [1 0] dan [0 0] 
• 휑 42 = exp(−( 1 − 0 2+(1-0) 2=exp(-2)=0.1353  [1 1] dan [0 0] 
X1 X2 Target 
0 0 0 
0 1 1 
1 0 1 
1 1 0 
XOR Truth Table
Tahap 2 : Pembaharuan Bobot 
• Langkah 2. Membentuk Matrik Gaussian 
G= 
0.1353 1 ퟏ 
0.3678 0.3678 ퟏ 
0.3678 
1 
0.3678 
0.1353 
ퟏ 
ퟏ 
kolom terakhir diisi dengan bias = +1 
• Langkah 3. Menghitung pseudoinverse dari matrik Gaussian 
GTG= 
1.2889 10.5412 1.8709 
0.5412 1.2889 1.8709 
1.8709 1.8709 4 
 (GTG)-1
Tahap 2 : Pembaharuan Bobot 
(GTG)-1 = 
6.9281 5.5907 −5.8553 
5.5907 6.9281 −5.8553 
−5.8553 −5.8553 5.7274 
푑 = 
0 
1 
10 
푤 = 
푤1 
푤2 
풃 
GTd = 
0.7356 
0.7356 
2 
W = (GTG)-1 GTd = 
−2.5019 
−2.5019 
ퟐ. ퟖퟒퟎퟒ 
Jadi W1 = -2.5019; W2 = -2.5019; dan bias = 2.8404
Tahap 2 : Pembaharuan Bobot 
• Langkah 4. Mencoba mengetahui output dari jaringan 
• Rumus Output Jaringan : Y = W1 * 휑1 + W2 * 휑2 + bias 
X1 X2 휑1 푾1 휑2 푾2 bias Y Target 
0 0 0.1353 -2.5019 1 -2.5019 2.8404 0.0000 0 
0 1 0.3678 -2.5019 0.3678 -2.5019 2.8404 1.000 1 
1 0 0.3678 -2.5019 0.3678 -2.5019 2.8404 1.000 1 
1 1 1 -2.5019 0.1353 -2.5019 2.8404 0.0000 0 
• Jika dilihat dari table di atas, RBFN telah mengeluarkan output yg sesuai 
dengan target, sehingga TRAINING BERHASIL

More Related Content

What's hot

Komputasi Fisika (1) pengantar pemrogramandankomputasi
Komputasi Fisika (1) pengantar pemrogramandankomputasiKomputasi Fisika (1) pengantar pemrogramandankomputasi
Komputasi Fisika (1) pengantar pemrogramandankomputasi
jayamartha
 
2. ruang vektor dan ruang vektor bagian
2. ruang vektor dan ruang vektor bagian2. ruang vektor dan ruang vektor bagian
2. ruang vektor dan ruang vektor bagian
pujirahayustat13
 
Menentukan sistem persamaan linier dalam bentuk sistem konsisten dan inkonsisten
Menentukan sistem persamaan linier dalam bentuk sistem konsisten dan inkonsistenMenentukan sistem persamaan linier dalam bentuk sistem konsisten dan inkonsisten
Menentukan sistem persamaan linier dalam bentuk sistem konsisten dan inkonsisten
BAIDILAH Baidilah
 
persamaan-diferensial-orde-ii
persamaan-diferensial-orde-iipersamaan-diferensial-orde-ii
persamaan-diferensial-orde-ii
Faried Doank
 

What's hot (20)

Data mining 5 klasifikasi decision tree dan random forest
Data mining 5   klasifikasi decision tree dan random forestData mining 5   klasifikasi decision tree dan random forest
Data mining 5 klasifikasi decision tree dan random forest
 
Metode belajar hebbian supervised
Metode belajar hebbian supervisedMetode belajar hebbian supervised
Metode belajar hebbian supervised
 
Interpolasi Newton
Interpolasi  NewtonInterpolasi  Newton
Interpolasi Newton
 
Kalkulus 1-fungsi
Kalkulus 1-fungsiKalkulus 1-fungsi
Kalkulus 1-fungsi
 
Kohonen SOM dan Learning Vector Quantization (LVQ)
Kohonen SOM dan Learning Vector Quantization (LVQ)Kohonen SOM dan Learning Vector Quantization (LVQ)
Kohonen SOM dan Learning Vector Quantization (LVQ)
 
Sistem Persamaan Linear (SPL) Aljabar Linear Elementer
Sistem Persamaan Linear (SPL) Aljabar Linear ElementerSistem Persamaan Linear (SPL) Aljabar Linear Elementer
Sistem Persamaan Linear (SPL) Aljabar Linear Elementer
 
Perceptron
PerceptronPerceptron
Perceptron
 
Komputasi Fisika (1) pengantar pemrogramandankomputasi
Komputasi Fisika (1) pengantar pemrogramandankomputasiKomputasi Fisika (1) pengantar pemrogramandankomputasi
Komputasi Fisika (1) pengantar pemrogramandankomputasi
 
Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST)Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST)
 
ukuran kemiringan dan keruncingan
ukuran kemiringan dan keruncinganukuran kemiringan dan keruncingan
ukuran kemiringan dan keruncingan
 
Stat prob08 distribution_discrete
Stat prob08 distribution_discreteStat prob08 distribution_discrete
Stat prob08 distribution_discrete
 
Biseksi
BiseksiBiseksi
Biseksi
 
2. ruang vektor dan ruang vektor bagian
2. ruang vektor dan ruang vektor bagian2. ruang vektor dan ruang vektor bagian
2. ruang vektor dan ruang vektor bagian
 
Makalah Optimasi Numerik
Makalah Optimasi NumerikMakalah Optimasi Numerik
Makalah Optimasi Numerik
 
Menentukan sistem persamaan linier dalam bentuk sistem konsisten dan inkonsisten
Menentukan sistem persamaan linier dalam bentuk sistem konsisten dan inkonsistenMenentukan sistem persamaan linier dalam bentuk sistem konsisten dan inkonsisten
Menentukan sistem persamaan linier dalam bentuk sistem konsisten dan inkonsisten
 
Interpolasi Polinom.pdf
Interpolasi Polinom.pdfInterpolasi Polinom.pdf
Interpolasi Polinom.pdf
 
persamaan-diferensial-orde-ii
persamaan-diferensial-orde-iipersamaan-diferensial-orde-ii
persamaan-diferensial-orde-ii
 
Grup
GrupGrup
Grup
 
Teori bilangan (induksi matematika)
Teori bilangan (induksi matematika)Teori bilangan (induksi matematika)
Teori bilangan (induksi matematika)
 
Graf Pohon
Graf PohonGraf Pohon
Graf Pohon
 

Viewers also liked (6)

Section5 Rbf
Section5 RbfSection5 Rbf
Section5 Rbf
 
Radial Basis Function Interpolation
Radial Basis Function InterpolationRadial Basis Function Interpolation
Radial Basis Function Interpolation
 
Neural Networks: Radial Bases Functions (RBF)
Neural Networks: Radial Bases Functions (RBF)Neural Networks: Radial Bases Functions (RBF)
Neural Networks: Radial Bases Functions (RBF)
 
Introduction to Radial Basis Function Networks
Introduction to Radial Basis Function NetworksIntroduction to Radial Basis Function Networks
Introduction to Radial Basis Function Networks
 
Pertemuan 4 Dioda1
Pertemuan 4   Dioda1Pertemuan 4   Dioda1
Pertemuan 4 Dioda1
 
Radial Basis Function
Radial Basis FunctionRadial Basis Function
Radial Basis Function
 

More from ahmad haidaroh

More from ahmad haidaroh (20)

Materi 7 Context Free Grammar
Materi 7   Context Free Grammar Materi 7   Context Free Grammar
Materi 7 Context Free Grammar
 
8 Rekursif
8 Rekursif8 Rekursif
8 Rekursif
 
6 ANTRIAN - QUEUE
6 ANTRIAN - QUEUE6 ANTRIAN - QUEUE
6 ANTRIAN - QUEUE
 
5 STACK
5 STACK5 STACK
5 STACK
 
4 Adt
4 Adt4 Adt
4 Adt
 
3 Linked List
3   Linked List3   Linked List
3 Linked List
 
2 Array
2 Array2 Array
2 Array
 
Materi 4 Regular Expression
Materi 4   Regular ExpressionMateri 4   Regular Expression
Materi 4 Regular Expression
 
Materi 3 Finite State Automata
Materi 3   Finite State AutomataMateri 3   Finite State Automata
Materi 3 Finite State Automata
 
Materi 3 Finite State Automata
Materi 3   Finite State AutomataMateri 3   Finite State Automata
Materi 3 Finite State Automata
 
Presentasi OSPEK 2018
Presentasi OSPEK 2018Presentasi OSPEK 2018
Presentasi OSPEK 2018
 
Pertemuan 4 Aljabar Boole
Pertemuan 4   Aljabar Boole Pertemuan 4   Aljabar Boole
Pertemuan 4 Aljabar Boole
 
Pertemuan 2&3 - Dasar2 Keamanan Encyption
Pertemuan 2&3 - Dasar2 Keamanan EncyptionPertemuan 2&3 - Dasar2 Keamanan Encyption
Pertemuan 2&3 - Dasar2 Keamanan Encyption
 
Multiplekser - Demultiplekser - Pertemuan 7
Multiplekser - Demultiplekser - Pertemuan 7Multiplekser - Demultiplekser - Pertemuan 7
Multiplekser - Demultiplekser - Pertemuan 7
 
Pertemuan 3a Rangkaian Aritmatik-Half n Full Adder
Pertemuan 3a   Rangkaian Aritmatik-Half n Full AdderPertemuan 3a   Rangkaian Aritmatik-Half n Full Adder
Pertemuan 3a Rangkaian Aritmatik-Half n Full Adder
 
Pertemuan 6 Penyederhanaan RL-Karnaugh Map
Pertemuan 6   Penyederhanaan RL-Karnaugh MapPertemuan 6   Penyederhanaan RL-Karnaugh Map
Pertemuan 6 Penyederhanaan RL-Karnaugh Map
 
Pertemuan 5a gerbang kombinasi-maxtem-minterm
Pertemuan 5a   gerbang kombinasi-maxtem-mintermPertemuan 5a   gerbang kombinasi-maxtem-minterm
Pertemuan 5a gerbang kombinasi-maxtem-minterm
 
Pertemuan 5 gerbang logika dasar n bentukan
Pertemuan 5   gerbang logika dasar n bentukanPertemuan 5   gerbang logika dasar n bentukan
Pertemuan 5 gerbang logika dasar n bentukan
 
Aritmatika Biner - Pertemuan 3
Aritmatika Biner - Pertemuan 3Aritmatika Biner - Pertemuan 3
Aritmatika Biner - Pertemuan 3
 
Pertemuan 2 - Sistem Bilangan
Pertemuan 2 - Sistem BilanganPertemuan 2 - Sistem Bilangan
Pertemuan 2 - Sistem Bilangan
 

Radial Basis Function - Example

  • 1.
  • 2. Contoh Soal • Diketahui sebuah Table Kebenaran dan Struktur Jaringan untuk XOR sbb: X1 X2 Target 0 0 0 0 1 1 1 0 1 1 1 0 XOR Truth Table 1 2 Y Bias (b)=+1 X1 X2 Input Unit Hidden Unit Output Unit w1 w2
  • 3. Tahap 1 : Menentukan Center secara acak • Misalnya ditentukan 2 center (menyatakan jumlah hidden) secara acak sbb : • T1 = [1 1] • T2 = [0 0] • Maka jumlah hidden yang harus dibuat sebanyak 2 buah. • Nilai spread diasumsikan :  = 1
  • 4. Kalau tabelnya seperti telihat di atas, maka : • Matriknya adalah : 0 0 11 12 0 1  21 22 1 0 31 32 1 1 41 42
  • 5. Tahap 2 : Pembaharuan Bobot • Lankah 1. Meneruskan sinyal ke hidden layer dan menghitung nilai fungsi aktifasi dengan fungsi Gaussian. 휑 푟 = 푒푥푝 − 푟2 2휎2 휑 푥 − 푡 = 푒푥푝(− 푥 − 푡 )2 Input Center • 휑 11 = exp(−( 0 − 1 2+(0-1) 2=exp(-2)=0.1353  [0 0] dan [1 1] • 휑 21 = exp(−( 0 − 1 2+(1-1) 2=exp(-1)=0.3678  [0 1] dan [1 1] • 휑 31 = exp(−( 1 − 1 2+(0-1) 2=exp(-1)=0.3678  [1 0] dan [1 1] • 휑 41 = exp(−( 1 − 1 2+(1-1) 2=exp(0)= 1  [1 1] dan [1 1] • 휑 12 = exp(−( 0 − 0 2+(0-0) 2=exp(0)=1  [0 0] dan [0 0] • 휑 22 = exp(−( 0 − 0 2+(1-0) 2=exp(-1)=0.3678  [0 1] dan [0 0] • 휑 32 = exp(−( 1 − 0 2+(0−0) 2=exp(−1)=0.3678 [1 0] dan [0 0] • 휑 42 = exp(−( 1 − 0 2+(1-0) 2=exp(-2)=0.1353  [1 1] dan [0 0] X1 X2 Target 0 0 0 0 1 1 1 0 1 1 1 0 XOR Truth Table
  • 6. Tahap 2 : Pembaharuan Bobot • Langkah 2. Membentuk Matrik Gaussian G= 0.1353 1 ퟏ 0.3678 0.3678 ퟏ 0.3678 1 0.3678 0.1353 ퟏ ퟏ kolom terakhir diisi dengan bias = +1 • Langkah 3. Menghitung pseudoinverse dari matrik Gaussian GTG= 1.2889 10.5412 1.8709 0.5412 1.2889 1.8709 1.8709 1.8709 4  (GTG)-1
  • 7. Tahap 2 : Pembaharuan Bobot (GTG)-1 = 6.9281 5.5907 −5.8553 5.5907 6.9281 −5.8553 −5.8553 −5.8553 5.7274 푑 = 0 1 10 푤 = 푤1 푤2 풃 GTd = 0.7356 0.7356 2 W = (GTG)-1 GTd = −2.5019 −2.5019 ퟐ. ퟖퟒퟎퟒ Jadi W1 = -2.5019; W2 = -2.5019; dan bias = 2.8404
  • 8. Tahap 2 : Pembaharuan Bobot • Langkah 4. Mencoba mengetahui output dari jaringan • Rumus Output Jaringan : Y = W1 * 휑1 + W2 * 휑2 + bias X1 X2 휑1 푾1 휑2 푾2 bias Y Target 0 0 0.1353 -2.5019 1 -2.5019 2.8404 0.0000 0 0 1 0.3678 -2.5019 0.3678 -2.5019 2.8404 1.000 1 1 0 0.3678 -2.5019 0.3678 -2.5019 2.8404 1.000 1 1 1 1 -2.5019 0.1353 -2.5019 2.8404 0.0000 0 • Jika dilihat dari table di atas, RBFN telah mengeluarkan output yg sesuai dengan target, sehingga TRAINING BERHASIL