O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.
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.
Próximos SlideShares
Carregando em…5
×

Neuron Mc Culloch Pitts dan Hebb

2.672 visualizações

Publicada em

Neuron Mc Culloch Pitts dan Hebb

Publicada em: Engenharia
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

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.

×