c




   

  
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

Sedangkan secara model adalah sebagai berikut :

 Sebuah pp  

acCulloch-Pitts (banyak neuron) untuk mewujudkan fungsi
logika .

º? petwork pada gambar 5 mewujudkan fungsi logika XOR yang dapat diekspresikan
sebagai:
xx2ßà x
x2) x2
x).

º? engan demikian x1 XOR x2 dapat diwujudkan dengan network 2-layer. Layer

pertama (layer-1) mewujudkan z1 = x1 Ap pOT x2 dan sekaligus z2 = x1 Ap
pOT x2.
 º? Sedangkan layer-2 hanya berisi y = z1 OR z2. Unit z1, z2, dan y, masing-masing
memiliki nilai threshold 2.

A!"
#"

ikenal baik dan merupakan £
  £ 
 (fenomena fisik) yang menarik,

bahwa jika sebuah stimulus dingin diberikan pada kulit manusia dalam periode waktuyang
sangat singkat, manusia justru akan merasakan panas. pamun demikian, bila stimulus dingin
yang sama diberikan dalam periode waktu yang lebih lama, manusia akanmerasakan dingin.

2, neuron-neuron X1 dan X2 menyajikan   £

(input) untuk panas dan dingin, sedangkan Y1 dan
Y2 adalah £  £
nya (output). Z1 dan Z2 adalah neuron-neuron pembantu yang diperlukan pemodelannya.

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  it
t  
 ili t t   ti  it
t  t l


tiitii
l l
it

t it
ti 

l

ti itii
i


| 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 it
t  

j 

tj ii
til ii ili i  l t
  tti  i
 i l
  til
il
  
t
l  t
  t t ti  l
  i it %

%iii i 
 i

t itit
t l
 ti i i
ittt


 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 !
(

 )

t
l

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.