Professional Documents
Culture Documents
c
p
p
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 X2 Y
1 1 0
1 0 1
0 1 1
0 0 0
º? petwork pada gambar 5 mewujudkan fungsi logika XOR yang dapat diekspresikan
sebagai:
xx2ßà x
x2) x2
x).
A!"#"
Adalah juga sangat informatif untuk mengurut aliran dari aktivasi melalui jaringan, dimulai
dari presentasi dari stimulus di t = 0. Kasus 1, stimulus dingin diaplikasikan dalam satu step
waktu dan kemudian dilepaskan, hal ini diilustrasikan di Gambar 1.7. Kasus 2, stimulus
dingin diaplikasikan dalam dua step waktu, diilustrasikan di Gambar 1.8, dan kasus 3,
stimulus panas diaplikasikan dalam satu step waktu, diilustrasikan di Gambar 1.9. Pada tiap
kasus, hanya aktivasi yang diketahui pada waktu tertentu yang diindikasikan. Bobot pada
koneksi dijelaskan pada Gambar 2.
Kasus 1 : Stimulus dingin diaplikasikan pada satu step waktu.
Aktivasi yang diketahui saat t = 0 ditunjukkan dalam Gambar 1.7(a).
Aktivasi yang diketahui saat t = 1 ditunjukkan dalam Gambar 1.7(b). Aktivasi dari input unit
adalah 0, berarti stimulus dingin dipresentasikan pada t = 0 dilepas pada satu step waktu.
Aktivasi dari Z1 dan Z2 adalah berdasarkan dari aktivasi dari X2 di t = 0.
| ti i i t i t t it j l
ti
ti i i it it ti itt ili t t ti itt t l
tiitiil l it t itti
l ti itiii
| ti i i ti t t itj l
ti
iii i l t it !
i ti i
it ! i
ti i"
ë ë
ë ë
tiliiili i tt t
| ti itt"t
tt
#:tiliiili i t t
| ti ii titt"itj l
$tt
itj l
$
| ti i i ti t t itj l
$ ti
ti i iitti itt j tj ii
til ii ili i l t tti i i l til
il tl t t t ti l i it %
%iii i i t ititt l ti i iittt
ë
tiliiili i lt t
| ti itt"t
t
#:tilili i ltt t
| ti ii titt"itj l
&
| ti i i ti tt
itj l
& 'it !
( )
tl iil i*
!ti ( ) l itil
i*%t t( )*i ti i"tt"
ë
tilili i ltt t
| ti itt"t
!$
%%&%#%!'
Contoh yang akan ditampilkan disini adalah penerapannya secara sederhana, dan untuk
keperluan contoh, karena pemodelan neural network acCulloch-Pitts adalah pemodelan
neural networks sederhana dan tidak ditujukan untuk pengaplikasian apapun. Berikut
merupakan contoh dengan mengambil pemodelan neural networks Ap.
Logika Ap akan memiliki hasil ³1´ atau TRUE hanya dan hanya jika kedua inputan nya
bernilai ³1´ atau TRUE. alam pemodelan ini, akan dibuat neural network yang mampu
mengenali pola dari logika Ap ini.
Inputannya X1 dan X2, dan Y = ³1´ jika dan hanya jika inputan dari X1 dan X2 adalah ³1´.
2 Y
1 1 1
1 0 0
0 1 0
0 0 0
engan tabel logika Ap di atas, akan dicoba dibuat pemodelan dari logika Ap. an
berikut adalah hasil dari pemodelannya.
2 %! Y
1 1 1.1 + 1.1 = 2 1
1 0 1.1 + 0.1 = 1 0
0 1 0.1 + 1.1 = 1 0
0 0 0.1 + 0.1 = 0 0
isini, Y memiliki aturan dimana Y akan bernilai 1 jika net >= 2, dan Y akan bernilai 0 jika
net < 2. engan pemodelan ini, neural networks telah berhasil memecahkan logika Ap.