Alhamdulillah Jadi Juga, Walau Tanpa Ada Contekan Dari Teman-temaan Group. Aku Tunggu Kok Gak Ada Yang Upload. Terpaksa Mengerjakan Sendiri. Apakah Nilai Yang Kalian Cari Sehingga Takut Untuk Upload... Astaghfirullah, Seandainya Saya Menyonto Pun Tidak Akan Saya Tulis Sama Persis, Hanya Alur Pekerjaannya, Saya Tahu Kode Etik Menyonto.. Oke Kalau Memang Nilai Kalian Cari. Gak Papa. Ku Doakan Nilainya Coumlaude Buat Kamu Teman Teman Yang Studinya Semata Mengejar Nilai.
Distribusi hipergeometrik juga termasuk distribusi teoretis yang menggunakan variabel diskrit dengan dua kejadian yang berkomplemen, seperti halnya distribusi binomial.
Perbedaan yang utama antara distribusi binomial dan distribusi hipergeometrik adalah pada cara pengambilan sampelnya. Pada distribusi binomial pengambilan sampel dilakukan dengan pengembalian, sedangkan pada distribusi hipergeometrik pengambilan sampel dilakukan tanpa pengembalian.
Dari penjelasan di atas, bisa disimpulkan bahwa distribusi hipergeometrik adalah distribusi probabilitas diskrit dari sekelompok objek atau populasi yang dipilih tanpa pengembalian.
Alhamdulillah Jadi Juga, Walau Tanpa Ada Contekan Dari Teman-temaan Group. Aku Tunggu Kok Gak Ada Yang Upload. Terpaksa Mengerjakan Sendiri. Apakah Nilai Yang Kalian Cari Sehingga Takut Untuk Upload... Astaghfirullah, Seandainya Saya Menyonto Pun Tidak Akan Saya Tulis Sama Persis, Hanya Alur Pekerjaannya, Saya Tahu Kode Etik Menyonto.. Oke Kalau Memang Nilai Kalian Cari. Gak Papa. Ku Doakan Nilainya Coumlaude Buat Kamu Teman Teman Yang Studinya Semata Mengejar Nilai.
Distribusi hipergeometrik juga termasuk distribusi teoretis yang menggunakan variabel diskrit dengan dua kejadian yang berkomplemen, seperti halnya distribusi binomial.
Perbedaan yang utama antara distribusi binomial dan distribusi hipergeometrik adalah pada cara pengambilan sampelnya. Pada distribusi binomial pengambilan sampel dilakukan dengan pengembalian, sedangkan pada distribusi hipergeometrik pengambilan sampel dilakukan tanpa pengembalian.
Dari penjelasan di atas, bisa disimpulkan bahwa distribusi hipergeometrik adalah distribusi probabilitas diskrit dari sekelompok objek atau populasi yang dipilih tanpa pengembalian.
2. ο‘ Hebbi Rule atau yang biasa dikenal dengan Hebb Rule (1949)
adalah metode pembelajaran yang paling sederhana.
ο‘ Pembelajaran dilakukan dengan cara memperbaiki nilai
bobot.
ο‘ Pembelajaran Hebb Rule termasuk supervised
ο‘ Apabila data direpresentasikan secara Bipolar dengan
supervised, maka perbaikan bobotnya adalah :
HEBB RULE : DESKRIPSI
π€π ππππ’ = π€π ππππ + π₯π π¦
3. ο‘ Inisialisasi semua bobot :
ο‘ Setiap pasangan input-output (s-t), lakukan langkah sebagai
berikut :
ο§ Set input dengan nilai sama dengan vektor input :
ο§ Set output dengan nilai sama dengan vektor output
ο§ Perbaiki bobot:
ALGORITMA
π€ππ = 0; ππππππ π = 1,2,3 β¦ , π; πππ π = 1,2,3, β¦ , π
π₯π = π π; (π = 1,2,3, β¦ , π)
π¦π = π‘π; (π = 1,2,3, β¦ , π)
π€ππ ππππ’ = π€ππ ππππ + π€π π¦π ;
π = 1,2,3, β¦ , π πππ (π = 1,2,3, β¦ , π)
4. ο‘ Membuat jaringan saraf untuk melakukan pembelajaran
terhadap fungsi OR dengan input dan target bipolar
supervised sebagai berikut :
ο‘ Bobot awal dan bobot bias diset = 0
CONTOH : PEMBELAJARAN LOGIKA OR
X1 X2 B TARGET
-1 -1 1 -1
-1 1 1 1
1 -1 1 1
1 1 1 1
7. ο‘ Bentuk output :
ο‘ Jika diberikan inputan x = [0,2 0,9] maka, hasilnya adalah :
ο‘ Karena nilai y_in=2,4 maka hasil setelah dilakukan melalui
fungsi aktivasi f(y_in) = f(2,4)= 1
HASIL TRAINING
π¦_ππ = π + π₯π π€π + (π₯π π€π)
π¦_ππ = 2 + 0,2 β 2 + 0,9 β 2 = 2,4
8. ο‘ Delta rule akan mengubah bobot yang menghubungkan
jaringan input ke unit output (y_in) dengan nilai target (t).
ο‘ Delta rule digunakan untuk meminimalkan error selama
pelatihan pola.
ο‘ Delta rule untuk memperbaiki bobot ke-i
ο‘ Nilai w baru diperoleh dari nilai w lama ditambah dengan βπ€
DELTA RULE : DESKRIPSI
βπ€π = πΌ π‘ β π¦ππ β π₯π
dengan :
x = vektor input
y_in = input jaringan ke unit Y
π¦_ππ = π₯π β π€π
π
π=1
t = target (output)
βπ€π = πΌ π‘ β π¦ππ β π₯π