ANN

1. Musli Yanto, S.Kom, M.Kom
JARINGAN SYARAF HEBB

2. Deskripsi dan Capaian
pembelajaran
Deskripsi Singkat
Hebb rule merupakan model pembelajaran
terawasi (supervised learning) dan
merupakan metode pembelajaran yang paling
sederhana yang dipakai pada jaringan syaraf
satu lapis.
Capaian pembelajaran matakuliah
Mahasiswa dapat memakai JST Hebb untuk
menyelesaikan masalah pengenalan pola
sederhana

3. Jaringan Syaraf Hebb
 Hebb memperkenalkan aturan
pembelajaran/pelatihan pada JST.
 Pembelajaran dilakukan dgn memodifikasi
kekuatan sinaptik (bobot). Jika 2 neuron saling
berhubungan dalam waktu dan kondisi yg sama
(on) maka bobot dari kedua neuron tsb akan di
update.
 JST satu lapisan yg dilatih dengan aturan Hebb
disebut dgn jaringan Hebb .

4. Algoritma Pelatihan Hebb
 langkah 0 : Bobot dan bias diberi nilai awal :
wi = 0 (i = 1,2,…,n) ; b = 0
 langkah 1 : untuk tiap pasangan input dan target, s : t,
lakukan langkah 2 sampai 4 :
 Langkah 2 : set aktivasi untuk unit input :
xi = si (i = 1,2,…,n)
 Langkah 3 : set aktivasi untuk unit output : y = t
 Langkah 4 : perbaiki nilai bobot :
wi(baru) = wi(lama) +xiy (i =
1,2,…,n)
 perbaiki nilai bias :
b(baru) = b(lama) + y
Biasanya perubahan bobot disimbolkan dgn Δw
Δw = xiy sehingga wi(baru) = wi(lama) + Δw

5. Jaringan Syaraf Hebb
Catatan :
Nilai bias dari unit input biasanya secara eksplisit
tidak dipakai pada aturan Hebb. Biasanya nilai
bias selalu 1. Sebab tanpa nilai bias masalah
tidak akan ada solusi.

6. Aplikasi Contoh Jaringan Hebb
Contoh aplikasi JST Hebb untuk solusi fungsi logika
AND
1. Contoh : jaringan Hebb untuk fungsi logika AND
: input biner dan target biner.
Buktikan apakah jaringan Hebb dapat mengenali
pola logika AND ?

7. Aplikasi Contoh Jaringan Hebb
Gambar Arsitektur JST Hebb untuk
solusi fungsi logika AND
Diketahui :
input target
x1 x2 t
1 1 1
1 0 0
0 1 0
0 0 0
langkah 0 : Bobot dan bias diberi nilai awal :
wi = 0 (i = 1,2,…,n) ; b = 1
langkah 1 : untuk tiap pasangan input dan target, s : t,
lakukan langkah 2 sampai 4 :
Langkah 2 : set aktivasi untuk unit input :
xi = si (i = 1,2,…,n)
Langkah 3 : set aktivasi untuk unit output :
y = t
Langkah 4 : perbaiki nilai bobot :
wi(baru) = wi(lama) +xiy (i = 1,2,…,n)
perbaiki nilai bias :
b(baru) = b(lama) + y

8. Jawaban
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
A. Proses Pelatihan Jaringan Metode Hebb
langkah 0 : Bobot dan bias diberi nilai awal :
wi = 0 (i = 1,2,…,n) ; b = 0

9. Jawaban
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1
1 0 0
0 1 0
0 0 0
langkah 1 : untuk tiap pasangan input dan target, s : t,
lakukan langkah 2 sampai 4 :
Langkah 2 : set aktivasi untuk unit input :
xi = si (i = 1,2,…,n)

10. Jawaban
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1
1 0 0 0
0 1 0 0
0 0 0 0
Langkah 3 : set aktivasi untuk unit output :
y = t

11. Jawaban
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1
1 0 0 0
0 1 0 0
0 0 0 0
Langkah 4 : perbaiki nilai bobot :
wi(baru) = wi(lama) +xiy (i = 1,2,…,n)
perbaiki nilai bias :
b(baru) = b(lama) + y
Biasanya perubahan bobot disimbolkan dgn Δw
Δw = xiy sehingga wi(baru) = wi(lama) + Δw

12. Jawaban
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
1 0 0 0
0 1 0 0
0 0 0 0
perubahan bobot Data 1 (x1 =1, x2 =1)
Δw1 = x1*y Δw2 = x2 *y Δb1 = b lama
+ y
1 * 1 = 1 1 * 1 = 1 0 + 1 = 1
w1(baru) = w1(lama) + Δw1
0 + 1 =1
w2(baru) = w2(lama) + Δw2
0 + 1 =1
b (baru) = b (lama) + Δb1
0 + 1 =1 (b(lama) diambil dari nilai b =0)

13. Jawaban
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
1 0 0 0 0 0 0 1 1 1
0 1 0 0
0 0 0 0
perubahan bobot Data 2 (x1 =1, x2 =0)
Δw1 = x1 *y Δw2 = x2 *y Δb = b lama +
y
1 * 0 = 0 0 * 0 = 0 0 + 0 = 0
w1(baru) = w1(lama) + Δw1
1+ 0 =1
w2(baru) = w2(lama) + Δw2
1 + 0 =1
b (baru) = b (lama) + Δb2
1 + 0 =1 (b(lama) diambil dari nilai b =1)

14. Jawaban
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
1 0 0 0 0 0 0 1 1 1
0 1 0 0 0 0 0 1 1 1
0 0 0 0
perubahan bobot Data 3 (x1 =0, x2 =1)
Δw1 = x1 *y Δw2 = x2 *y Δb3 = b lama +
y
0 * 0 = 0 1 * 0 = 0 0 + 0 = 0
w1(baru) = w1(lama) + Δw1
1+ 0 =1
w2(baru) = w2(lama) + Δw2
1 + 0 =1
b (baru) = b(lama) + Δb3
1 + 0 =1 (b(lama) diambil dari nilai b =1)

15. Jawaban
input target Perubahan bobot-bias Bobot dan bias
x1 x2 t y Δw1 Δw2 Δb w1 w2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
1 0 0 0 0 0 0 1 1 1
0 1 0 0 0 0 0 1 1 1
0 0 0 0 0 0 0 1 1 1
perubahan bobot Data 4 (x1 =0, x2 =0)
Δw1 = x1 *y Δw2 = x2 *y Δb4 = b lama +
y
0 * 0 = 0 0 * 0 = 0 0 + 0 = 0
w1(baru) = w1(lama) + Δw1
1+ 0 =1
w2(baru) = w2(lama) + Δw2
1 + 0 =1
b (baru) = b (lama) + Δb4
1 + 0 =1 (b(lama) diambil dari nilai b =1)

16. Jawaban
B. Proses Pengujian Jaringan Metode Hebb
 Setelah mendapat nilai bobot dan bias maka kita
melakukan Testing thd pola input dengan memakai
bobot dan bias yg didapat dalam proses pelatihan
w1 = 1 , w2 = 1, dan b = 1
input Bobot bias net = b + xi wi
i
output target
x1 x2 w1 w2 b y=f(net)
1 1 1 1 1 1
1 0 1 1 1 0
0 1 1 1 1 0
0 0 1 1 1 0

17. Jawaban
Data 1 (x1 =1, x2 =1)
net = bi +  xi wi
= b + ((x1*w1) + (x2*w2))
= 1 + ((1*1) + (1*1))
= 1 + 2 = 3
Data 2 (x1 =1, x2 =0)
net = bi +  xi wi
= b + ((x1*w1) + (x2*w2))
= 1 + ((1*1) + (0*1))
= 1 + 1 = 2
Data 3 (x1 =0, x2 =1)
net = bi +  xi wi
= b + ((x1*w1) + (x2*w2))
= 1 + ((0*1) + (1*1))
= 1 + 1 = 2

18. Jawaban
Data 4 (x1 =0, x2 =0)
net = bi +  xi wi
= b + ((x1*w1) + (x2*w2))
= 1 + ((0*1) + (0*1))
= 1 + 0 = 1
Input Bobot bias net = b + xi wi
i
output target
x1 x2 w1 w2 b y=f(net)
1 1 1 1 1 3 1
1 0 1 1 1 2 0
0 1 1 1 1 2 0
0 0 1 1 1 1 0

19. Jawaban
Fungsi threshold (hard- limiter)
 Fungsi threshold type : biner dan bipolar
 Fungsi threshold biner mempunyai output y yaitu :
Data 1 (x1 =1, x2 =1)
Y=f(net)
= 1 (net=3 ≥ 0)
Data 2 (x1 =1, x2 =0)
Y=f(net)
= 1 (net=2 ≥ 0)
Data 3 (x1 =0, x2 =1)
Y=f(net)
= 1 (net=2 ≥ 0)
Data 4 (x1 =0, x2 =0)
Y=f(net)
= 1 (net=1 ≥ 0)
Input Bobot bias net = b + xi wi
i
output target
x1 x2 w1 w2 b y=f(net)
1 1 1 1 1 3 1 1
1 0 1 1 1 2 1 0
0 1 1 1 1 2 1 0
0 0 1 1 1 1 1 0

20. Kesimpulan Jawaban
Hasil ini menunjukkan JST Hebb yg dilatih dg
pasangan pola input biner dan target biner tidak
menghasilkan JST yg sempurna.

21. Tugas Latihan Algoritma Hebb
Contoh aplikasi JST Hebb untuk solusi fungsi logika
AND
1. Contoh : jaringan Hebb untuk fungsi logika AND :
input biner dan target bipolar.
Buktikan apakah jaringan Hebb dapat mengenali
pola logika AND ?

22. Tugas Latihan Algoritma Hebb
Contoh aplikasi JST Hebb untuk solusi fungsi logika
OR
2. Contoh : jaringan Hebb untuk fungsi logika OR :
input biner dan target biner.
Buktikan apakah jaringan Hebb dapat mengenali
pola logika AND ?