hebb rule training algorithms
DESCRIPTION
Hebb Rule Training Algorithms. Algoritma Pembelajaran Algoritma Pelatihan. Pengertian. Training/pelatihan langkah penting. Prinsip: Training menentukan bobot koneksi Algoritma training memodifikasi bobot koneksi. Jaringan sama, training bisa berbeda. Jenis pelatihan. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/1.jpg)
Hebb RuleHebb RuleTraining AlgorithmsTraining Algorithms
Algoritma PembelajaranAlgoritma Pembelajaran
Algoritma PelatihanAlgoritma Pelatihan
![Page 2: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/2.jpg)
PengertianPengertian
Training/pelatihan Training/pelatihan langkah langkah penting.penting.
Prinsip:Prinsip: Training Training menentukan bobot koneksi menentukan bobot koneksi
Algoritma training Algoritma training memodifikasi memodifikasi bobot koneksi.bobot koneksi.
Jaringan sama, training bisa berbeda.Jaringan sama, training bisa berbeda.
![Page 3: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/3.jpg)
Jenis pelatihanJenis pelatihan
Unsupervised:Unsupervised: Input diberikan, output tidak ditentukan.Input diberikan, output tidak ditentukan.
Supervised:Supervised: Input diberikan, output ditentukan.Input diberikan, output ditentukan.
![Page 4: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/4.jpg)
UnsupervisedUnsupervised
Cocok untuk:Cocok untuk: KlasifikasiKlasifikasi Data miningData mining
![Page 5: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/5.jpg)
KlasifikasiKlasifikasi
Pola data diberikan Pola data diberikan diolah oleh JST diolah oleh JST salah satu neuron pada output salah satu neuron pada output layer aktif.layer aktif.
Pola tersebut diklasifikasikan kepada Pola tersebut diklasifikasikan kepada neuron yang aktif tsb.neuron yang aktif tsb.
![Page 6: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/6.jpg)
Contoh klasifikasiContoh klasifikasi
Jaringan KohonenJaringan Kohonen
Input: dot/pixel pada gambar tulisan Input: dot/pixel pada gambar tulisan tangan.tangan.
Output: 26 neuron mewakili alpabet.Output: 26 neuron mewakili alpabet. Jaringan Kohonen meng-klasifikasi Jaringan Kohonen meng-klasifikasi
input menjadi 26 klas.input menjadi 26 klas.
![Page 7: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/7.jpg)
Data MiningData Mining
Data sangat banyak Data sangat banyak mana mana informasi yg penting ?informasi yg penting ?
JST mengelompokan JST mengelompokan kita kita mengambil informasi penting. mengambil informasi penting.
![Page 8: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/8.jpg)
SupervisedSupervised
Output ditentukan sesuai harapan Output ditentukan sesuai harapan pelatih.pelatih.
Perbedaan output perhitungan dgn Perbedaan output perhitungan dgn output harapan output harapan parameter parameter modifikasi.modifikasi.
![Page 9: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/9.jpg)
Contoh supervisedContoh supervised
BackpropagationBackpropagation
Simulated annealingSimulated annealing
Genetic algorithmGenetic algorithm
![Page 10: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/10.jpg)
Error CalculationError Calculation
Error digunakan untuk mengukur Error digunakan untuk mengukur seberapa tepat output yg seberapa tepat output yg diharapkan.diharapkan.
Algoritma pelatihan berhenti bila:Algoritma pelatihan berhenti bila: Error < nilai yg ditentukanError < nilai yg ditentukan Looping (epoch) mencapai nilai yg Looping (epoch) mencapai nilai yg
ditentukan.ditentukan.
![Page 11: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/11.jpg)
Training AlgorithmTraining Algorithm
Salah satu algoritma pelatihan yang Salah satu algoritma pelatihan yang terkenal adalah terkenal adalah Hebb’s Rule. Hebb’s Rule.
Dikembangkan oleh Dikembangkan oleh Donald Hebb Donald Hebb untuk untuk jenis pelatihanjenis pelatihan supervised supervised..
Hebbs rulHebbs rule ditulis secara matematise ditulis secara matematis: :
adalahadalah learning rate learning rate aaii dandan a ajj adalahadalah a aktifasi untuk setiap neuronktifasi untuk setiap neuron
jiij aaW
![Page 12: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/12.jpg)
Heb AlgorithmsHeb Algorithms
Step0Step0Inisialisasi semua bobot:Inisialisasi semua bobot:wwii = 0 = 0 (i = 1 to n)(i = 1 to n)
Step1Step1Untuk setiap pasangan input-target (s:t), Untuk setiap pasangan input-target (s:t), do Steps 2-4:do Steps 2-4:
Step2Step2 Isi input dgn data pelatihan:Isi input dgn data pelatihan:xxii = s = sii (i = 1 to n)(i = 1 to n)
Step3Step3 Isi output dgn data target:Isi output dgn data target:y = ty = t
Step4Step4 Modifikasi bobot:Modifikasi bobot:wwii(new) = w(new) = wii(old) + x(old) + xiiyy (i=1 to (i=1 to
n)n)Modifikasi bias:Modifikasi bias:
b(new) = b(old) + yb(new) = b(old) + y
![Page 13: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/13.jpg)
PenyederhanaanPenyederhanaan
WW(new) = (new) = WW(old) + (old) + WW WW = = XYXY
ww11 = x = x11tt (t=target)(t=target)
ww22 = x = x22tt
![Page 14: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/14.jpg)
Contoh AplikasiContoh Aplikasi
1
x1
x2
y
b
w1
w2
u
uuf
0
1)(
bwxwxu 2211
![Page 15: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/15.jpg)
Gerbang ANDGerbang AND
INPUTINPUT TARGETTARGET
xx11 xx22 11 tt
11 11 11 11
11 00 11 00
00 11 11 00
00 00 11 00
![Page 16: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/16.jpg)
Langkah PerhitunganLangkah Perhitungan
INPUTINPUT TARGETTARGET Weight Weight changeschanges
WeightsWeights
xx11 xx22 11 tt ww11 ww22 bb ww11 ww22 bb
00 00 00
11 11 11 11 11 11 11 11 11 11
11 00 11 00 00 00 00 11 11 11
00 11 11 00 00 00 00 11 11 11
00 00 11 00 00 00 00 11 11 11
![Page 17: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/17.jpg)
Hasil AkhirHasil Akhir
Setelah pelatihan selesai, diperoleh:Setelah pelatihan selesai, diperoleh: w1 = 1w1 = 1 w2 = 1w2 = 1 b = 1b = 1
Dengan hasil yg diperoleh tersebut, Dengan hasil yg diperoleh tersebut, kemudian diadakan pengujian atau kemudian diadakan pengujian atau simulasisimulasi
![Page 18: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/18.jpg)
Pengujian / simulasiPengujian / simulasi
Pengujian atau simulasi adalah Pengujian atau simulasi adalah memasukkan data input baru pada memasukkan data input baru pada bobot koneksi hasil pelatihan.bobot koneksi hasil pelatihan.
Kalau output sesuai dengan target, Kalau output sesuai dengan target, maka pelatihannya disebut sukses.maka pelatihannya disebut sukses.
![Page 19: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/19.jpg)
Contoh simulasiContoh simulasi
Dari hasil pelatihan diperoleh:Dari hasil pelatihan diperoleh: w1 = 1w1 = 1 w2 = 1w2 = 1 b = 1b = 1
Data baru misalnya x1 = 1 dan x2 = Data baru misalnya x1 = 1 dan x2 = 0 maka: 0 maka:
![Page 20: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/20.jpg)
U = (1)(1)+(0)(1)+1U = (1)(1)+(0)(1)+1
U = 2U = 2
Agar hasilnya sesuai dgn target maka Agar hasilnya sesuai dgn target maka nilai Ɵ harus dipilih secara cermat. nilai Ɵ harus dipilih secara cermat. Dalam kasus ini nilai Ɵ misalnya 3.Dalam kasus ini nilai Ɵ misalnya 3.
Maka f(u) = f(2) = 0Maka f(u) = f(2) = 0
bwxwxu 2211
![Page 21: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/21.jpg)
Gerbang ORGerbang OR
INPUTINPUT TARGETTARGET
xx11 xx22 11 tt
11 11 11 11
11 00 11 11
00 11 11 11
00 00 11 00
![Page 22: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/22.jpg)
Langkah PerhitunganLangkah Perhitungan
INPUTINPUT TARGETTARGET Weight Weight changeschanges
WeightsWeights
xx11 xx22 11 tt ww11 ww22 bb ww11 ww22 bb
yy xx11yy xx22yy yy 00 00 00
11 11 11 11
11 00 11 11
00 11 11 11
00 00 11 00
![Page 23: Hebb Rule Training Algorithms](https://reader033.vdocuments.pub/reader033/viewer/2022061409/56815560550346895dc32bc5/html5/thumbnails/23.jpg)
Diskusi kelompokDiskusi kelompok
Dgn Heb rule, hitunglah bobot Dgn Heb rule, hitunglah bobot koneksi dan nilai bias-nya.koneksi dan nilai bias-nya.
Tentukan nilai Ɵ agar jaringan Tentukan nilai Ɵ agar jaringan berfungsi sbg gerbang OR.berfungsi sbg gerbang OR.