Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
ALGORITMA NEURON
MCCULLOCH-PITTS DAN
NEURON HEBB
Sherly Christina, S.Kom., M.Kom
MODEL NEURON MCCULLOCH-PITTS
 Tahun 1943 oleh Warren Mc Culloch, Ahli
Syaraf dan Walter Pitts, Ahli Logika
 Neuron McCul...
ARSITEKTUR JARINGAN MODEL NEURON
MCCULLOCH-PITTS
FUNGSI AKTIVASI NEURON MCCULLOCH-
PITTS
 Fungsi Undak Biner
CONTOH 1
 Buat Model Neuron McCulloch-Pitts untuk
mengenali pola fungsi logika “AND” sesuai tabel
kebenaran berikut.
X1 X...
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...
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
MODEL NEURON HEBB
1949, D.O. Hebb
Bobot dan Bias dihitung
secara iteratif
ARSITEKTUR JARINGAN MODEL
NEURON HEBB
ALGORITMA PELATIHAN HEBB
1. Inisialisasi Bobot dan Bias: Wi=0; b=0
2. Untuk setiap pasangan input-target,
lakukan
a. Set a...
ALGORITMA PELATIHAN HEBB
3. Perbaiki bobot menurut persamaan
berikut Wi(baru)=Wi(lama)+Xi*Yj;
4. Perbaiki bias menurut per...
CONTOH 2
 Buat jaringan Hebb untuk mengenali pola
fungsi logika “OR” menurut tabel
kebenaran berikut.
X1 X2 Target
0 0 0
...
CONTOH 2
Inisialisasi bobot dan bias:
 W1=0
 W2=0
 b=0
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*...
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*...
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*...
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*...
CONTOH 2;PENGUJIAN
 Nilai W1=2; W2=2 dan b=3 digunakan untuk
pengujian terhadap fungsi aktifasi
X1 X2 Net = ΣXiWi
+ b
Y(n...
CONTOH 2; HASIL
≠
Y(net) ≠ Target
 JST tidak dapat mengenali pola pada fungsi
logika OR dengan input-output berupa bilang...
TUGAS MANDIRI
 Coba jaringan Hebb untuk mengenali pola
fungsi logika OR dengan ketentuan:
 Input bilangan biner, output ...
ADA PERTANYAAN ??
TERIMA KASIH.
Upcoming SlideShare
Loading in …5
×

Neuron Mc Culloch Pitts dan Hebb

3,095 views

Published on

Neuron Mc Culloch Pitts dan Hebb

Published in: Engineering
  • Be the first to comment

  • Be the first to like this

Neuron Mc Culloch Pitts dan Hebb

  1. 1. ALGORITMA NEURON MCCULLOCH-PITTS DAN NEURON HEBB Sherly Christina, S.Kom., M.Kom
  2. 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. 3. ARSITEKTUR JARINGAN MODEL NEURON MCCULLOCH-PITTS
  4. 4. FUNGSI AKTIVASI NEURON MCCULLOCH- PITTS  Fungsi Undak Biner
  5. 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. 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. 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. 8. MODEL NEURON HEBB 1949, D.O. Hebb Bobot dan Bias dihitung secara iteratif
  9. 9. ARSITEKTUR JARINGAN MODEL NEURON HEBB
  10. 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. 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. 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. 13. CONTOH 2 Inisialisasi bobot dan bias:  W1=0  W2=0  b=0
  14. 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. 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. 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. 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. 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. 19. CONTOH 2; HASIL ≠ Y(net) ≠ Target  JST tidak dapat mengenali pola pada fungsi logika OR dengan input-output berupa bilangan biner.
  20. 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. 21. ADA PERTANYAAN ?? TERIMA KASIH.

×