2. Adaline (Adaptive Linear
Neuron)
• Adaline adalah jenis jaringan syaraf tiruan yang
dikembangkan oleh Bernard Widrow dan Marcian Hoff
pada tahun 1960.
• Adaline merupakan pengembangan dari model
perceptron yang dikembangkan sebelumnya.
• Adaline terdiri dari satu lapisan input dan satu lapisan
output.
• Input diboboti (dikalikan dengan bobot) dan dijumlahkan,
tetapi perbedaannya dengan perceptron adalah bahwa
output Adaline tidak diambil sebagai fungsi langkah
biner. Sebaliknya, output Adaline adalah keluaran linear
berupa bobotan hasil penjumlahan input.
• Adaline umumnya digunakan untuk tugas-tugas regresi
di mana keluaran berupa nilai kontinu.
3. MADALINE (Multiple
ADALINE)
• MADALINE merupakan pengembangan lebih lanjut dari
Adaline, dan merupakan singkatan dari "Many
ADALINE".
• Sebagai variasi dari Adaline, MADALINE memiliki
beberapa lapisan ADALINE yang bekerja bersama untuk
memproses informasi.
• Masing-masing lapisan ADALINE dapat berkontribusi
pada aspek tertentu dari masukan, dan output dari
lapisan-lapisan ini kemudian dapat diintegrasikan untuk
menghasilkan keluaran akhir.
• MADALINE dapat digunakan untuk tugas-tugas yang
lebih kompleks dibandingkan dengan Adaline tunggal,
dan seringkali diterapkan dalam aplikasi pengenalan
4. • Dalam kedua kasus Adaline dan MADALINE, bobot pada
setiap koneksi antar neuron diatur selama proses
pembelajaran.
• Metode pembelajaran yang digunakan umumnya
melibatkan teknik-teknik seperti delta rule atau aturan
pembelajaran Widrow-Hoff untuk mengoptimalkan bobot
berdasarkan kesalahan prediksi.
• Namun, walaupun Adaline dan MADALINE memiliki
kontribusi penting dalam sejarah pengembangan
jaringan syaraf tiruan, cenderung kurang populer
dibandingkan dengan arsitektur yang lebih kompleks,
seperti jaringan syaraf tiruan berlapis-lapis (multi-layer
neural networks) yang menggunakan algoritma
backpropagation. Algoritma backpropagation
memungkinkan pembelajaran di lapisan tersembunyi,
dan inilah yang memberikan kemampuan adaptasi dan
6. Adaline:
1. Pengolahan Sinyal dan Komunikasi:
Adaline dapat digunakan dalam sistem pengolahan sinyal untuk
menangani pemrosesan sinyal analog dan digital. Contohnya
termasuk pemisahan sinyal atau eliminasi noise dari data sinyal.
2. Sistem Kendali:
Dalam beberapa sistem kendali, Adaline dapat digunakan untuk
menghasilkan keluaran berbasis pada input tertentu. Ini dapat
diterapkan dalam sistem kontrol otomatis di berbagai industri.
3. Pemodelan dan Regresi:
Adaline dapat digunakan untuk pemodelan dan regresi linier dalam
beberapa aplikasi, di mana model linier diperlukan untuk
memahami hubungan antara berbagai variabel.
7. MADALINE:
1. Pengenalan Pola dan Klasifikasi:
MADALINE dapat diterapkan dalam tugas pengenalan pola dan klasifikasi.
Setiap ADALINE di lapisan dapat fokus pada fitur tertentu, dan
penggabungan output lapisan-lapisan tersebut dapat membantu dalam
pemisahan kelas yang kompleks.
2. Pemrosesan Sinyal Multidimensional:
Dalam pengolahan sinyal yang melibatkan data multidimensional, seperti
citra atau suara, MADALINE dapat digunakan untuk mengekstrak pola dan
fitur dari data tersebut.
3. Pemisahan Kelas yang Kompleks:
MADALINE dapat digunakan dalam tugas di mana pemisahan kelas lebih
kompleks dan memerlukan representasi fitur yang lebih abstrak. Ini dapat
termasuk aplikasi di bidang pengenalan wajah atau pengenalan objek
dalam gambar.
4. Sistem Pengenalan dan Pemrosesan Paralel:
Dengan memiliki beberapa lapisan ADALINE, MADALINE dapat
memproses informasi secara paralel, membuatnya cocok untuk beberapa
tugas pengolahan informasi yang memerlukan pemrosesan bersamaan
8.
9.
10.
11.
12. Contoh :
• Gunakan model Adaline untuk mengenali pola
fungsi logika AND dengan masukan dan target
bipolar. Batas toleransi = 0,05 dan α = 0.1
13. Jawab
Dengan α = 0.1 maka perubahan bobot = Δwi = 0.1 ( t –
f(net)) xi = 0.1 (t – y) xi.
Maka iterasi untuk Epoch 1
Maksimum Δwi = 0.07 > toleransi, maka iterasi lanjut
pada epoch 2
14. Maksimum Δwi = 0.02 < toleransi, maka dihentikan dan
bobot terakhir
w1 = 0.29, w2 = 0.26, b = -0.32
Merupakan bobot yang digunakan untuk pengenalan
pola
18. Jawaban Pengujian
w1 = 0.29, w2 = 0.26, b = -0.32
fungsi aktifasi y = 1 jika net ≥ 0 dan y = -1 jika net < 0
• Data 1 (1,1)
Yin = x1w1 + x2w2 + b
= 1(0.29) + 1(0.26) + (-0.32)
= 0.29 + 0.26 – 0.32
= 0.23
Y = 1 (karena net ≥ 0 )
LANJUTKAN PENGUJIAN UNTUK D2, D3 DAN D4 !!!