P. 1
Analisis Perceptron

Analisis Perceptron

|Views: 243|Likes:
Published by Agoes Setiawan

More info:

Published by: Agoes Setiawan on Dec 30, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

02/16/2015

pdf

text

original

KECERDASAN BUATAN ANALISIS PEMBELAJARAN PERCEPTRON DENGAN GERBANG LOGIKA OR

Nama : Agus Setiawan Kelas : IF ± 2 NIM : 10107064

Fungsi Logika XOR
XOR (exclusive or) adalah logika dimana hasil outpunya akan ³true´ jika hanya ada satu input yang ³true´, selain itu semua outpunya adalah ³false´. Penjelasan menggunakan biner untuk logika XOR adalah sebagai berikut :

X1 1 1 0 0

X2 1 0 1 0

Y 0 1 1 0

Sedangkan secara model adalah sebagai berikut :

Gambar 1 Sebuah NN (neural network) McCulloch-Pitts (banyak neuron) untuk mewujudkan fungsi logika XOR.

y

Network pada gambar 5 mewujudkan fungsi logika XOR yang dapat diekspresikan sebagai: x1 XOR x2 ßà (x1 AND NOT x2) OR (x2 AND NOT x1).

y

Dengan demikian x1 XOR x2 dapat diwujudkan dengan network 2-layer. Layer pertama (layer-1) mewujudkan z1 = x1 AND NOT x2 dan sekaligus z2 = x1 AND NOT x2.

Bobot pada koneksi dijelaskan pada Gambar 2. Namun demikian. Gambar 2. Z1 dan Z2 adalah neuron-neuron pembantu yang diperlukan pemodelannya. masing-masing memiliki nilai threshold 2. Kasus 2. hal ini diilustrasikan di Gambar 1.9. diilustrasikan di Gambar 1. Kasus 1. Aktivasi dari input unit adalah 0. Hot and Cold Dikenal baik dan merupakan physiological phenomenon (fenomena fisik) yang menarik.7. stimulus dingin diaplikasikan dalam satu step waktu dan kemudian dilepaskan. Kasus 1 : Stimulus dingin diaplikasikan pada satu step waktu. dan kasus 3. Pada tiap kasus. stimulus panas diaplikasikan dalam satu step waktu. stimulus dingin diaplikasikan dalam dua step waktu. manusia justru akan merasakan panas. neuron-neuron X1 dan X2 menyajikan receptors (input) untuk panas dan dingin. Aktivasi dari Z1 dan Z2 adalah berdasarkan dari aktivasi dari X2 di t = 0. Aktivasi yang diketahui saat t = 0 ditunjukkan dalam Gambar 1. . Aktivasi yang diketahui saat t = 1 ditunjukkan dalam Gambar 1.7(a). bahwa jika sebuah stimulus dingin diberikan pada kulit manusia dalam periode waktuyang sangat singkat.7(b). hanya aktivasi yang diketahui pada waktu tertentu yang diindikasikan.y Sedangkan layer-2 hanya berisi y = z1 OR z2. Adalah juga sangat informatif untuk mengurut aliran dari aktivasi melalui jaringan. dimulai dari presentasi dari stimulus di t = 0. bila stimulus dingin yang sama diberikan dalam periode waktu yang lebih lama. sedangkan Y1 dan Y2 adalah perceptorsnya (output). Unit z1. dan y. manusia akanmerasakan dingin.8. diilustrasikan di Gambar 1. berarti stimulus dingin dipresentasikan pada t = 0 dilepas pada satu step waktu. z2.

Perhatikan bahwa akti asi dari input tidak ditentukan. karena sejak renpons pertama pada jaringan sampai pada stimulus dingin diaplikasikan dalam dua step waktu tidak dipengaruhi oleh apakah stimulus dilepaskan setelah dua step waktu atau tidak. karena nilai saat t = 2 tidak ditentukan saat awal respons pada net di situasi yang dimodelkan. (b) t = 1. dan pada sat t = 1 ditunjukkan dalam Gambar 1.   Kasus 2 : Stimulus dingin diaplikasikan pada dua step waktu. Perhatikan bahw akti asi dari input unit tidak ditentukan. Sebuah perception panas diindikasikan oleh fakta bahwa unit Y mempunyai akti asi 1 dan unit Y2 mempunyai 1 akti asi 0.Akti i iket i t t it j kkan dalam Gambar 1. (a) (b) (c) (d) Gambar 3 Stimulus dingin diaplikasikan pada satu step waktu. Akti asi saat (a) t = 0.8(c). Akti asi yang diketahui saat t = 3 ditunjukkan dalam Gambar 1. respons dari perceptor unit ditentukan oleh akti asi dari semua unit saat t = 1.8(b). . belum ada perception dari panas atau dingin yang mencapai mereka.7(d).8(a). Akti asi yang diketahui saat t = 2 ditunjukkan dalam Gambar 1. Walupun respon pada unit receptor ditentikan. Walaupun respons dari unit Z dan 1 Z2 diindikasikan. dan (d) t = 3.7(c). Akti asi yang diketahui pada saat t = 0 ditunjukkan dalamGambar 1. (c) t = 2.

¡ Kasus 3 : Stimulus panas diaplikasikan dalam satu step waktu. Akti asi yang diketahui saat t = 0 ditunjukkan dalam Gambar 1.9 Stimulus panas diaplikasikan dalam satu step waktu. Y2 tidak ³menembak´ karena memerlukan input sinyal dari X2 dan Z2 untuk dapat ³menembak´.9(a). (b) t = 1.8 Stimulus dingin diaplikasikan dalam dua step waktu. dan (c) t = 2. Unit Y ³menembak´ 1 karena telah menerima sinyal dari X1.(a) Gambar 1. Akti asi saat (a) t = 0 dan (b) t = 1. Akti asi yang diketahui saat t = 1 ditunjukkan dalam Gambar 1. Akti asi saat (a) t = 0.9(b). ¡ . dan X2 mempunyai akti asi 0 saat t = 0 (a) Gambar 1.

dan untuk keperluan contoh. Dalam pemodelan ini. X1 1 1 0 0 X2 1 0 1 0 Y 1 0 0 0 Dengan tabel logika AND di atas. Inputannya X1 dan X2. X1 X2 net Y . Dan berikut adalah hasil dari pemodelannya.Contoh Penerapan Neural Networks Contoh yang akan ditampilkan disini adalah penerapannya secara sederhana. Logika AND akan memiliki hasil ³1´ atau TRUE hanya dan hanya jika kedua inputan nya bernilai ³1´ atau TRUE. akan dibuat neural network yang mampu mengenali pola dari logika AND ini. akan dicoba dibuat pemodelan dari logika AND. karena pemodelan neural network McCulloch-Pitts adalah pemodelan neural networks sederhana dan tidak ditujukan untuk pengaplikasian apapun. Berikut merupakan contoh dengan mengambil pemodelan neural networks AND. dan Y = ³1´ jika dan hanya jika inputan dari X1 dan X2 adalah ³1´.

1 + 1.1 + 1. Dengan pemodelan ini. .1 = 1 0. dan Y akan bernilai 0 jika net < 2.1 = 0 1 0 0 0 Disini.1 + 0.1 + 0.1 = 2 1.1 1 0 0 1 0 1 0 1.1 = 1 0. neural networks telah berhasil memecahkan logika AND. Y memiliki aturan dimana Y akan bernilai 1 jika net >= 2.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->