1 / 14

Pertemuan 6 JARINGAN ASSOCIATIVE

Pertemuan 6 JARINGAN ASSOCIATIVE. Matakuliah : H0434/Jaringan Syaraf Tiruan Tahun : 2005 Versi : 1. Learning Outcomes. Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Menjelaskan konsep Associative Learning. Outline Materi. Arsitektur Jaringan Learning Rule.

ryu
Download Presentation

Pertemuan 6 JARINGAN ASSOCIATIVE

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Pertemuan 6 JARINGAN ASSOCIATIVE Matakuliah : H0434/Jaringan Syaraf Tiruan Tahun : 2005 Versi : 1

  2. Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : • Menjelaskan konsep Associative Learning

  3. Outline Materi • Arsitektur Jaringan • Learning Rule

  4. JARINGAN ASSOCIATIVE Asosiator Pisang a = hardlim ( wp + b ) = hardlim ( wp – 0.5 )

  5. STIMULUS DAN RESPONSE

  6. ASSOCIATOR PISANG a = hardlim ( w0p0 + wp + b )

  7. Diinginkan jaringan mengasosiasikan bentuk pisang dan bukan bau pisang dengan suatu respons yang menunjukkan buah adalah pisang. • Persoalan dapat diselesaikan dengan memilih bobot sbb : w0 = 1 dan w = 0 • Fungsi asosiasi input/output untuk pisang menjadi : a = hardlim ( p0 – 0.5 ) • Jadi jaringan akan memberikan respons jika pisang terlihat pada input ( p0 = 1 ) tidak tergantung pada apakah terbau pisang atau tidak

  8. UNSUPERVISED HEBB RULE • Unsupervised Hebb Rule : wij(q) = wij( q-1 ) +  ai( q ) pj( q ) • Hebb Rule dalam bentuk vektor : W(q) = W( q-1 ) +  a( q ) pT( q )

  9. HEBB RULE PADA ASSOCIATOR PISANG • Gunakan Hebb Rule pada asosiator pisang dengan nilai awal : w0 = 1 dan w(0) = 0 • Asosiator selalu diberi input pisang tetapi sensor bau bekerja terus menerus sedang kan sensor bentuk bekerja terputus-putus ( bekerja dan tidak bekerja bergantian ) sehingga urutan pelatihan untuk input sbb : { p0(1) = 0, p(1) = 1 }, { p0(2) = 1, p(2) = 1 }, { p0(3) = 0, p(3) = 1 }………………

  10. ITERASI PERTAMA • Learning Rate  =1 a(1) = hardlim ( w0p0(1) + w(0) p(1) – 0.5 ) a(1) = hardlim ( 1.0 + 0.1 – 0.5 ) = 0 ( tak ada respons ) • Tanpa respons, aturan Hebb tidak mengubah bobot w. w(1) = w(0) + a(1) p(1) = 0 + 0.1 = 0

  11. ITERASI KEDUA • a(2) = hardlim ( w0p0(2) + w(1) p(2) – 0.5 ) a(2) = hardlim ( 1.1 + 0.1 – 0.5 ) = 1 ( pisang ) • aturan Hebb akan menaikkan bobot diantaranya menurut : w(2) = w(1) + a(2) p(2) = 0 + 1.1 = 1

  12. ITERASI KETIGA • a(3) = hardlim ( w0p0(3) + w(2) p(3) – 0.5 ) a(3) = hardlim ( 1.0 + 1.1 – 0.5 ) = 1 ( pisang ) • Ternyata jaringan masih mengenali pisang dari baunya walaupun bentuk pisang tidak terdeteksi.

  13. KEKURANGAN HEBB RULE • Jika pemberian input diteruskan dan bobot terus di update, maka bobot akan menjadi besar sekali. Hal ini tidak mungkin terjadi pada sistem biologis. • Tidak ada mekanisme untuk bobot mengecil nilainya.

  14. HEBB RULE DENGAN DECAY • W(q) = W( q-1 ) +  a( q ) pT( q ) - W( q-1 ) • W(q) = ( 1 -  )W( q-1 ) +  a( q ) pT( q ) •  adalah decay rate yang merupakan bilangan positip konstan kurang dari 1. • Nilai bobot maksimal dalam bentuk skalar :

More Related