materi mata kuliah komputasi cerdas
DESCRIPTION
Ini merupakan sebagian materi mata kuliah komputasi cerdas yang sudah diterangkan oleh dosen dan saya ketik sendiri ke dalam word ini.TRANSCRIPT
Contoh : JST model Mac Culloch – Pitts untuk mengenal logika AND
Solusi :
Buat perhitungan jaringan dalam sebuah Tabel.
Pengenalan Pola Logika OR
JST Arsitektur Single Layer- Digunakan untuk pengenalan pola yang sederhana
Pada model JST Mc-Culloch-Pitts : Pola AND, OR JST Arsitektur Multi Layer
- Digunakan untuk pengenalan pola yang kompleksSehingga memerlukan memori sementara untuk menggabung pola lain.
W1 =2
W1 =1
Y
X2
X1
W1 =2
W1 =1
Y
X2
X1Input target
X1 X2 Y1 1 11 0 00 1 00 0 0
Input Perhitungan Jaringan Output jaringan
X1 X2 Net = Exi.wi = x1.w1 + x2.w2
Y = FNet - 1 jika Net >=2 - 0 jik Net <2
1 1 1.1 + 1.1 = 2 11 0 1.1 + 0.1 = 1 00 1 0.1 + 1.1 = 1 00 0 0.1 + 0.1 = 0 0
Input targetX1 X2 Y1 1 11 0 10 1 10 0 0
Input Perhitungan Jaringan Output jaringan
X1 X2 Net = Exi.wi = x1.w1 + x2.w2
Y = FNet - 1 jika Net >=1 - 0 jik Net <1
1 1 1.1 + 1.1 = 2 11 0 1.1 + 0.1 = 1 10 1 0.1 + 1.1 = 1 10 0 0.1 + 0.1 = 0 0
Contoh :Pada Mc.Culloh – Pitts : Pola XORXOR = (~X1 ^ X2) v (X1 ^ ~X2)
Blok pertama dikerjakan lalu di simpan di Hidden Layer Blok kedua dikerjakan lalu disimpan di Hidden Layer Kemudian kedua blok tersebut digabungkan dengan v (OR)
Proses perhitungan jaringan pada Multi Layer1. Perhitungan antara input Layer dengan hidden Layer yang menghasilkan output pada
tiap hidden Ayer2. Nilai output pada tiap hidden digunakan sebagai input untuk perhitungan jaringan
antara hidden Ayer dan output Layer3. Perhitungan jaringan pada output Layer
Contoh :
JST MODEL MC CULLOCH - PITTS-> yaitu model JST yang pertama kali diperkenalkan-> digunakan untuk mengenal pola logika-> nilai input & outputnya berbentuk bilangan biner-> nilai akhirnya sudah menggunakan nilai ambang batas (thresholding)-> nilai pembobotan dilakukan dengan cara coba-coba (nilai pembobotan jaringan ditentukan)-> menggunakan arsitektur berbentuk single layer dan multi layer
W.X1.Z2 = -1
W.X2.Z1 = -1
W.X2.Z2 =2
W.X1.Z1 =2
Z2
Z1
Y
X2
X1Input targetX1 X2 Y1 1 01 0 10 1 10 0 0
Input Perhitungan pada hidden Layer 1
Z1
X1 X2 Z1 = Exi.wiNet = x1.w1.z1 + x2.w2.z1
Y = FNet - 1 jika Net >=2 - 0 jik Net <2
1 1 1.1 + 1.1 = 2 11 0 1.1 + 0.1 = 1 10 1 0.1 + 1.1 = 1 10 0 0.1 + 0.1 = 0 0