MODUL 7

POLA JARINGAN HETEROASSOCIATIVE

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

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

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

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

-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

(ii) Penetapan fungsi aktivasi sel pada unit keluaran

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

(ii) Penetapan fungsi aktivasi sel pada unit keluaran

y1 =1; y2 = 0
- Pasangan pola-31 s3:t3 yakni [0 0 0 1] : [0 1 ]

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

(i) Penetapan fungsi aktivasi sel pada unit masukan

x1 = 0; x2 = 0; x3 = 0; x4 =1

(ii) Penetapan fungsi aktivasi sel pada unit keluaran

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

(ii) Penetapan fungsi aktivasi sel pada unit keluaran

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 1 = s1 Wbaru 2 1 y _ out 1 = [1 1 0 0] 0 0 y _ out 1 = t1 0 0 = [ 3 0] [1 0] 1 2

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

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

y _ out 1 = s1 Wbaru 2 1 y _ out 1 = [1 1 1 0] 0 0 y _ out 1 t1

Dari hasil diatas dapat disimpulkan bahwa bobot terbaru yang dihasilkan oleh jaringan Heteroasosiatif tidak dapat mengenali pola baru dari vektor masukan bila pola baru tersebut tidak sesuai dengan pola pelatihan sebelumnya.

0 0 = [ 4 1] [1 0] 1 2

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

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

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN

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

PUSAT PENGEMBANGAN BAHAN AJAR-UMB

Kartika Sekar Sari, ST., MT.

JARINGAN SYARAF TIRUAN