Professional Documents
Culture Documents
Jaringan memory asosiatif adalah jaringan satu lapis dengan bobot yang ditentukan sedemikian rupa sehingga jaringan dapat menyimpan himpunan asosiasi pola. Setiap asosiasi adalah pasangan vektor masukan-keluaran s : t. Bila s = t, jaringan disebut autoasosiatif, sedangkan bila s t, jaringan disebut memori heteroasosiatif. Dalam hal ini, s merupakan masukan pelatihan sedangkan t merupakan keluaran target. Dimana keduanya biasanya dituliskan dalam bentuk vektor-vektor sebagai berikut:
s =[ s1 ... s i ... s n ]
t =[t1 ... t j ... t m ]
8.1 Jaringan Neural Memori Heteroasosiatif Pada bentuk ini, jaringan akan memperoleh vektor keluaran y yang sesuai dengan vektor masukan x, yang merupakan salah satu dari pola tersimpan s(p) atau pola baru.
Arsitektur
Arsitektur jaringan neural memori heteroasosiatif terlihat pada gambar dibawah ini.
Gambar 7-1 Jaringan memori Heteroasosiatif Algoritma Algoritma pelatihan Hebb untuk jaringan heteroasosiatif dapat dituliskan sebagai berikut: Langkah-0. Inisialisasi semua bobot dengan menggunakan Hebb rule atau delta rule, (dalam modul ini, hanya digunakan aturan Hebb rule saja), dimana i = 1,n; j =1,,m. Wij = 0. Langkah-1. Untuk setiap input vektor, lakukan tahapan-tahapan sebagai berikut: Langkah (i). Tetapkan aktivasi keluaran sel yang terletak pada lapisan masukan, yang mana nilainya sama dengan nilai sinyal vector input. Xi = Si Langkah (ii). Tetapkan aktivasi setiap unit keluaran
y _ inj = X i .Wij
i
dengan fungsi aktivasi sebagai berikut; 1 , jika y_inj > 0 yj = 0 , jika y_inj = 0
-1, jika y_inj < 0 Langkah (iii). Atur bobot Wij (baru) = Wij (lama) + Si . Yj Dalam praktik biasanya bobot baru dihitung dengan rumus berikut:
P
Wbaru = s T ( p ) t ( p)
p =1
Contoh: Misalkan vektor-vektor penyusun jaringan heteroasosiatif adalah sebagai berikut: Pola,p Pola-1 Pola-2 Pola-3 Pola-4 Vektor masukan,s [1 1 0 0] [1 0 0 0] [0 0 0 1] [0 0 1 1] Vektor keluaran,t [1 0] [1 0] [0 1] [0 1]
Tentukan bagaimana cara jaringan Heteroasosiatif dapat mengenali vector-vector yang diberikan sesuai dengan polanya masing-masing? Penyelesaian: Langkah-0. Inisialisasi semua bobot awal dengan nilai 0 Langkah-1. - Pasangan pola-1 s1:t1 yakni [1 1 0 0] : [1 0 ] (i) Penetapan fungsi aktivasi sel pada unit masukan
x1 = 1; x 2 = 1; x3 = 0; x 4 = 0
y1 =1; y2 = 0
- Pasangan pola-2 s2:t2 yakni [1 0 0 0] : [1 0 ] (i) Penetapan fungsi aktivasi sel pada unit masukan
x1 =1; x2 = 0; x3 = 0; x4 = 0
y1 =1; y2 = 0
- Pasangan pola-31 s3:t3 yakni [0 0 0 1] : [0 1 ]
y1 = 0; y2 =1
- Pasangan pola-4 s4:t4 yakni [0 0 1 1] : [0 1 ] (i) Penetapan fungsi aktivasi sel pada unit masukan
x1 = 0; x2 = 0; x3 =1; x4 =1
y1 = 0; y2 =1
(iii) Pengaturan bobot (W) jaringan :
Wbaru = s T ( p ) t ( p )
p =1
Wbaru
Wbaru
Wbaru
1 1 0 1 0 0 = [1 0] + [1 0] + [ 0 0 0 0 0 0 1 1 0 1 0 0 0 0 1 0 0 0 0 0 0 + + + = 0 0 0 0 0 0 0 0 0 0 0 0 1 0 2 0 1 0 = 0 1 0 2
0 0 1] + [ 0 1] 1 1 0 0 1 1
Tanggapan serta pengujian jaringan terhadap vector masukan yang mempunyai pola yang sama dengan pola masukan sebelumnyaadalah:
y _ out 2 = s 2 Wbaru 2 1 y _ out 2 = [1 0 0 0] 0 0 y _ out 2 = t 2 y _ out 3 = s 3 Wbaru 2 1 y _ out 3 = [ 0 0 0 1] 0 0 y _ out 3 = t 3 y _ out 4 = s 4 Wbaru 2 1 y _ out 4 = [ 0 0 1 1] 0 0 y _ out 4 = t 4
Tanggapan serta pengujian jaringan terhadap vector masukan yang mempunyai pola yang tidak sama dengan pola masukan sebelumnya adalah:
0 0 = [ 2 0] [1 0] 1 2
0 0 = [ 0 2] [ 0 1] 1 2
0 0 = [ 0 3] [ 0 1] 1 2
0 0 = [ 4 1] [1 0] 1 2
Perhitungan matematis dengan Matlab dapat dituliskan sebagai berikut: %----------------------------------%Persamaan matematis %model Jaringan Heteroassociative %----------------------------------clear; clc; %inisialisasi masukan P_1=[1 1 0 0]; P_2=[1 1 0 0]; P_3=[0 1 0 1]; P_4=[0 1 1 1]; %Inisialisasi kesalahan masukan P_5=[1 1 1 0]; %inisialisasi keluaran target T1=[1 0];T2=[1 0];T3=[0 1];T4=[0 1]; %Pengaturan bobot baru W_baru=(P_1'*T1)+(P_2'*T2)+(P_3'*T3)+(P_4'*T4) %Tanggapan hasil pengujian Y_1=W_1*W_baru; Y_2=W_2*W_baru Y_3=P_3*W_baru Y_4=W_4*W_baru
Jika Matlab di running akan menghasilkan: >> W_baru = 2 1 0 0 Y_1 = Y_2 = Y_3 = Y_4 = 0 0 1 2 3 2 0 0 0 0 2 3
Referensi: [1] [2] [3] [4] [5] Laurene Fausett. Fundamental Of Neural Networks Architectures, Algorithms, and Applications. Prentice Hall Inc.1994 Sri Kusumadewi. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Graha ilmu . 2004 Thomas Sri Widodo. Sistem Neuro Fuzzy Untuk Pengolahan Informasi, Pemodelan dan Kendali. Graha Ilmu. 2005 Freeman, J.A and Skapura, D.A, Neural Network: Algorithms,Applications and Programming Techniques, Reading, MA: Addison Wesley.1991. Chin Theng Lin and C.S.George Lee.Neural Fuzzy Systems. Prentice Hall PTR.1996