pertemuan 6 jaringan associative

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

ap

b=-0.5

n

1

w

Asosiator Pisang

a = hardlim ( wp + b ) = hardlim ( wp – 0.5 )

5

STIMULUS DAN RESPONSE

respons ada tidak 0

respons ada 1 a

stimulus ada tidak 0

stimulus ada 1p

6

ASSOCIATOR PISANG

a

p0

b=-0.5

w0=1n

1

p w=0

Pisang ?

a = hardlim ( w0p0 + wp + b )

rdeteksibau tak te 0

eksibau terdet 1 p

i terdeteksbentuk tak 0

deteksibentuk ter 1p0

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 :

maksijw