Matakuliah
Tahun
Versi
: H0434/Jaringan Syaraf Tiruan
: 2005
:1
Pertemuan 6
JARINGAN ASSOCIATIVE
1
Learning Outcomes
Pada akhir pertemuan ini, diharapkan mahasiswa
akan mampu :
• Menjelaskan konsep Associative Learning
2
Outline Materi
• Arsitektur Jaringan
• Learning Rule
3
JARINGAN ASSOCIATIVE
Asosiator Pisang
p
w
S
n
a
b=-0.5
1
a = hardlim ( wp + b ) = hardlim ( wp – 0.5 )
4
STIMULUS DAN RESPONSE
ada stimulus
1
p
0 tidak ada stimulus
ada respons
1
a
0 tidak ada respons
5
ASSOCIATOR PISANG
p0
w0=1
S
p
n
a
Pisang ?
w=0 b=-0.5
1
a = hardlim ( w0p0 + wp + b )
bentuk ter deteksi
1
p
0 bentuk tak terdeteks i
0
bau terdet eksi
1
p
0 bau tak te rdeteksi
6
• 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
7
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 )
8
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 }………………
9
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
10
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
11
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.
12
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.
13
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 :
w
maks
ij
14
© Copyright 2024 Paperzz
