You are on page 1of 46

B3

PENGINGAT ASOSIATIF

Motivasi dibalik riset jaringan neural autoasosiatif : “Bagaimana menirukan kemampuan otak manusia dalam melakukan asosiasi ?”.

lts 04

1

ASOSIASI
Not lagu 551113531….

“Dari Sabang sampai Merauke Lagu “Dari Sabang berjajar pulau pulau...” Merauke” atau
”Lagu kebangsaan Perancis” Lagu kebangsaan Perancis

Kalimat ”kerbau makan rumpu t”

”kerbau makan rumpu t”

asosiasi input dengan data yang tersimpan dalam memory

lts 04

2

Himpunan Pola Pelatihan

Pengujian

NN

?

lts 04

3

NN

lts 04

4

Recurrent (Dinamis) Jaringan ini disebut jaringan dinamis karena dengan adanya sambungan umpan balik. Feed Forward Jaringan asosiatif ini disebut juga sebagai jaringan statis. y(t-2). sehingga output y(t) = f( . X1 X2 1 1 2 Y1 y2 2 xN N M yM 2. dimana output y(t) = f(x(t)). y(t-1)) baru akan stabil setelah beberapa iterasi..Topologi Jaringan Asosiatif 1.. lts 04 5 . y(t-3).

dengan lts 04 jumlah neuron output = jumlah neuron input 6 .x1 x2 1 1 2 y1 y2 2 xN N M yM Tipe Asosiasi : 1.Merupakan proses rekonstruksi. Auto Asosiasi : .Topologi : jaringan 1 lapis. Hetero Asosiasi 1. Data input yang cacat/berderau akan diasosiasikan dengan data asli yang tidak cacat/berderau (yang sudah tersimpan dalam jaringan). Auto Asosiasi 2. .

FASE PELATIHAN lapisan bobot bobot input sambungan 30 neuron lapisan output 30 neuron Himpunan pola pelatihan input = target lts 04 7 .

Fase Pengujian (setelah fase pelatihan selesai) Input cacat output input PENGINGAT ASOSIATIF output Sampai persentase cacat tertentu data input masih dapat diasosiasikan dengan benar lts 04 8 .

Data input akan diasosiasikan dengan data pasangan yang berbeda dari data input .2. Hetero asosiasi .Topologi : Jaringan 1 lapis. jumlah neuron output =/= jumlah neuron input Fase Pelatihan Asosiasi Pola Fase Pengujian Asosiasi Pola Asosiasi Pola Asosiasi Pola lts 04 Bukan pola yang pernah dilatihkan tetapi dapat diasosiasikan dengan benar ( = generalisasi ) 9 .

xi Aturan penyesuaian bobot.JARINGAN ASOSIATIF tipe FEED FORWARD Algoritma Pelatihan : (a) Hebb (b) Aturan Delta Algoritma Hebb Hipotesis Hebb : Bila dua buah neuron yang saling terhubung mempunyai aktivasi (output) yang sama tandanya maka bobot sambungan antara kedua neuron tersebut akan menguat. wij yj lts 04 wij baru = wij lama + a xi yj a : pesat belajar 10 . bila aktivasinya berlawanan tandanya maka boot sambungan akan melemah. Sebaliknya.

Bila xi adalah elemen ke i dari vektor input ke k. xi . yi . . .target. maka kontribusi K buah pasangan pelatihan terhadap perubahan bobot wjj adalah D wjj = S a xi|k yj|k k=1 K Bila bobot awal jaringan = 0. yN)k maka kontribusi vektor x|k terhadap perubahan bobot wij adalah wij baru|k = wij lama|k + a xi|k yj|k Bila jaringan dilatih dengan K buah pasangan vektor input. . x|k = (x1 x2 . t|k = (y1 y2 . . xN)k dan yj adalah elemen ke j dari vektor target ke k. . . maka bobot sambungan wij untuk mengasosiasikan K pasangan input-target adalah K lts 04 wij = S a xi|k yj|k k=1 11 . . .

w1M w21 w22 . y=xW x1 x2 1 1 y1 vektor bobot W1 2 2 y2 vektor bobot W2 matriks bobot W xN ( y1 N M yM w11 w12 .. yM ) = ( x1 x2 . xN wNj = ynet j 12 .. wNM lts 04 yj = x1 w1j + x2 w2j ..Output jaringan : Dengan asumsi fungsi aktivasi neuron output adalah fungsi linear. xN ) .......... vektor input x wN1 vektor output y wN2 . maka output jaringan dapat dinyatakan dalam operasi vektor. w2M y2 .

maka kontribusinya terhadap perubahan matriks bobot adalah W|k = ( x1 x2 . xN )T|k ( t1 t2 .. tM )|k lts 04 13 ....Bila fungsi aktivasi neuron outputnya adalah fungsi ambang bipolar. maka matriks bobotnya W =xTy Untuk pasangan input-target ke k. maka output neuron j yj = 1 0 -1 bila y net j > 0 bila y net j = 0 bila y net j < 0 Bobot jaringan : Dari adalah y = x W.

xN )T|k ( t1 t2 . x2tM xNt1 xNt2 . . xNtM k W|k = w11 w12 . .. .. . . . . w1M w21 w22 . tM ) |k x1 x1t1 x1t2 .. . x1tM = x2 xN ( t1 t2 . w2M wN1 wN2 . . . wNM lts 04 k 14 . tM ) |k k = x2t1 x2t2 ..W|k = ( x1 x2 . .. ..

x1 + w22.x1 + w21.x2 lts 04 ynet 2 = w12. maka matriks bobot totalnya adalah W = S W|k k=1 K K dengan pesat belajar a maka W|k = kontribusi perubahan bobot oleh pemberian pasangan input-target pelatihan ke k W = a S W|k k=1 Contoh : Untuk jaringan satu lapis berikut ini Stimulus yang diterima oleh masing masing neuron pada lapisan output adalah ynet 1 = w11.x2 15 .Bila jaringan dilatih dengan K pasangan input-target.

misalkan pasangan pelatihannya adalah t = x = ( 1 1 1 -1) xT t = lts 04 1 1 1 -1 ( 1 1 1 -1 ) = 1 1 1 1 1 1 -1 -1 1 -1 1 -1 1 -1 -1 1 = W 16 .Hasil tersebut dapat diperoleh dari perkalian vektor x dengan matriks bobot W vektor ynet ynet 1 ynet 2 Untuk autoasosiasi.

x2 +w33.x3 + w42.x3 + w44.x2 +w34.x2 +w32.x4 = ( ynet 1 lts 04 ynet 2 ynet 3 ynet 4 ) 17 . maka bila kepada jaringan diberikan input x = ( 1 1 1 -1) . jaringan akan memberikan output 1 1 1 -1 1 1 1 -1 1 -1 1 -1 1 -1 -1 1 y = x.x1 + w24.W = ( 1 1 1 -1) .x4 ynet 2 = w12.x1 + w23.x4 ynet 1 = w11. = ( 4 4 4 -4 ) ynet 4 = w14.x1 + w21.x1 + w22.x4 ynet 3 = w13.x2 +w31.x3 + w41.Dengan bobot W tersebut.x3 + w43.

W = S xT|k. K K=jumlah vektor pelatihan x = t. Perhitungan bobot diatas menggunakan aturan Hebb. x =/= t 18 . Untuk heteroasosiasi lts 04 untuk k = 1.t|k . y4 = -1 = target pelatihan t y = ( 1 1 1 -1) Dengan demikian dapat kita katakan bahwa jaringan telah menyimpan pasangan vektor x = ( 1 1 1 -1) dan t = ( 1 1 1 -1) dalam matriks bobotnya. maka output y1 = 1 Output jaringan .Dengan fungsi ambang bipolar sebagai fungsi aktivasi neuron neuron outputnya. y3 = 1 . y2 = 1 . k Untuk autoasosiasi.

W = ( 2 2 2 -2). ( 1 1 -1 -1 ). Output y = ( 1 1 1 -1) Output y = ( 1 1 1 -1) Output y = ( 1 1 1 -1) Jaringan masih mampu mengasosiasikan vektor input dengan targetnya. W = ( 2 2 2 -2). lts 04 19 . output y = ( 1 1 1 -1) Jaringan masih mampu memberikan asosiasi dengan benar. Pengujian 2 : Terdapat satu elemen yang hilang (1 elemen pada vektor input berubah ke 0 ) Dengan fungsi ambang bipolar. W = ( 2 2 2 -2). ( 1 -1 1 -1 ).Pengujian 1 : Terdapat satu error (1 elemen pada vektor input pelatihan berbeda dengan vektor target yang tersimpan) ( -1 1 1 -1 ).

W = (-1 -1 -1 -1) Output y = (-1 -1 -1 -1) =/= ( 1 1 1 -1 ) Jaringan tidak dapat mengasosiasikan dengan benar.Pengujian 3 : Terdapat dua elemen yang salah pada vektor input ( -1 -1 1 -1 ). Contoh : Jaringan autoasosiatif untuk menyimpan dua vektor x|1 = ( 1 1 -1 -1) =t|1 dan x|2 = ( 1 -1 -1 1)=t|2 x|1T x|1 = 1 1 1 1 -1 -1 -1 -1 -1 -1 1 1 -1 -1 1 1 x|2Tx|2 = 1 -1 -1 1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 20 lts 04 W|1 W|2 . Peningkatan kinerja jaringan Untuk meningkatkan kinerja jaringan autoasosiatif. suku suku diagonal matriks bobot diganti dengan nilai nol.

Vektor x|k dan vektor x|p disebut orthogonal bila perkalian vektor x|k dengan. Bila syarat tersebut tidak dipenuhi maka jaringan jaringan tidak dapat.p =1 S (x|k xT|p) = 0 K untuk k =/= p 21 . melakukan asosiasi dengan sempurna (ada cross talk) Syarat orthogonalitas : untuk K buah vektor input lts 04 k. vektor2 yang dapat disimpan syaratnya adalah vektor vektor yang saling orthogonal. transpose vektor x|p menghasilkan matriks nol.Dengan men-set elemen elemen diagonal ke nol maka bobot jaringan 0 0 -2 0 W = W|1 + W|2 = 0 0 0 -2 -2 0 0 0 0 -2 0 0 ORTHOGONALITAS dan CROSS TALK Untuk jaringan asosiatif yang dilatih dengan algoritma Hebb.

p = 1 K x1p x2p xNp = S ( x1k x1p + x2k x2p + .elemen ke 2 dari vektor input ke k K K elemen ke 2 dari vektor input ke k S (x|k xT|p) = S ( x1k x2k . . . . xNk ) k. + xNkxNp ) k.p =1 k. . p = 1 = 0 untuk k =/= p lts 04 22 .

+ xN2)k = c  konstante Cross talk : Pada jaringan asosiatif yang dilatih dengan K pasang vektor input x dan vektor target t. maka output jaringan y = x |2 W lts 04 = x|2 { xT|1 t|1 + xT|2 t|2 + .Untuk k = p. . . matriks bobot total W = S S K K k=1 W|k = k=1 xT|k t|k  = bobot solusi Bila pada jaringan dengan bobot solusi tersebut diberikan vektor input yang sudah dilatihkan (misalnya x|2 ) . .. . .. + xT|K t|K } . maka x|k xT|k = (x12 + x22 + . . . (1) 23 .

(1) ) y = c1. maka dengan vektor pengujian x = x|2 akan dihasilkan output (dari pers.t|K output mengandung elemen elemen yang berasal dari vektor vektor target lain selain target t|2 Kontaminasi dari vektor vektor target lainnya inilah yang disebut crosslts 04 24 talk. t|2 x|2 W c2. + 0. t|1 + c2. . + ck.t|1 + c2.t|2 dengan input x|2 jaringan akan menghasilkan output sama dengan target t|2 terskala c2. t|k = c2.. akan dihasilkan output (pers. .. t|2 + ... Kasus 2 : Bila vektor vektor input pelatihan tidak saling orthogonal. (1) ) y = x|2 W = x|2 { xT|1 t|1 + xT|2 t|2 + . + xT|K t|K } = 0.t|2 + . Cross talk akan menghasilkan output tidak sesuai dengan target. .Kasus 1 : Bila vektor vektor input yang dilatihkan saling orthogonal maka untuk vektor pengujian x = x|2 .

Untuk vektor vektor input n-elemen yang saling orthogonal. kapasitas jaringan adalah (n-1) buah vektor .KAPASITAS MEMORY Kapasitas memory jaringan asosiatif adalah jumlah maksimum vektor vektor orthogonal yang dapat disimpan dalam jaringan. x|1 = ( 1 1 -1 -1 ) x|2 = ( -1 1 1 -1 ) x|3 = ( -1 1 -1 1 ) x|4 = ( 1 1 1 1 ) lts 04 25 . Bila kapasitas ini dilampaui maka jaringan tidak dapat mengasosiasikan dengan benar. Contoh : Untuk 4 buah vektor 4-elemen .

4 dan i =/= j. x|1 x|2T = 0 x|2 x|1T = 0 x|3 x|1T = 0 x|4 x|1T = 0 x|1 x|3T = 0 x|2 x|3T = 0 x|3 x|2T = 0 x|4 x|2T = 0 x|1 x|4T = 0 x|2 x|4T = 0 x|3 x|4T = 0 x|4 x|3T = 0 x|1. 4 dan j =1. lts 04 26 .Pengujian orthogonalitas 4 vektor : x|i x|jT untuk i = 1. x|2. x|3 dan x|4 adalah vektor vektor n = 4 elemen yang saling orthogonal.

x|3 dan x|4 Dengan bobot ini jaringan masih dapat melakukan asosiasi yg benar. maka  kontribusi bobot vektor x|1 dan x|2  kontribusi bobot vektor x|1. x|2 . Dengan bobot W = 0 jaringan tidak akan dapat melakukan asosiasi yg benar.Bobot jaringan untuk auto-asosiasi keempat vektor tersebut : dari W = S Wi = S x|iT x|i . 27 lts 04 . x|2 dan x|3  kontribusi bobot vektor x|1.

x|1T x|1 = x|2T x|2 = 0 0 0 0 0 0 0 0 lts 04 elemen elemen diagonal di-nol-kan 28 .

x|3T x|3 = x|4T x|4 = 0 0 0 0 0 0 0 0 lts 04 elemen elemen diagonal di-nol-kan 29 .

Soal Latihan : 1. 2. Pertanyaan yang sama untuk himpunan vektor pelatihan dibawah ini. x|1 x|2 x|3 t|1 t|2 t|3 x|4 t|4 (a) Rancanglah jaringan asosiatifnya (b) Ujilah jaringan anda untuk vektor input pengujian = vektor input pelatihan. x|1 = t|1 = ( 1 -1 -1 x|2 = t|2 = ( 1 1 -1 x|3 = t|3 = ( -1 -1 1 lts 04 -1 ) -1 ) 1) 30 . Kaitkan hasil pengujian dengan ortogonalitas vektor vektor input pelatihan dan kapasitas pengingat asosiatif. (c) Ujilah jaringan dengan vektor input yang belum pernah dilatihkan. Dengan himpunan vektor pelatihan dibawah ini.

Asosiasi sempurna (galat = 0) akan dihasilkan apabila seluruh polanya adalah pola pola yang linearly independent Contoh : Apakah vektor vektor 2-dimensi berikut ini linearly independent ? x|1 = ( 1 -1 ) x|4 = ( 1 0 ) x|1 = . bahkan untuk vektor vektor yang tidak saling orthogonalpun asosiasi masih dapat dilakukan dengan galat yang kecil.ATURAN DELTA untuk jaringan asosiatif Dengan aturan delta. ada ketergantungan linear antara vektor x|1 dan x|2 x |3 lts 04= x|4 + x|5 . wij baru = wij lama + a xi|k (tj|k –yj|k) Aturan dengan pendekatan koreksi galat ini. memungkinkan jaringan menemukan bobot solusi. bobot jaringan disesuaikan secara iteratif.x|2 x|2 = (-1 1 ) x|5 = ( 0 1 ) x|3 = ( 1 1) . x|4 dan x| 31 5 . ada ketergantungan linear antara vektor x|3 .

LInear Dependency x2 x2 1 x|2 1 1 x|5 x|3 x|4 1 -1 -1 x1 x1 x|1 lts 04 32 .

lts 04 33 . harga output akan berubahubah sebelum dicapai harga output yang stabil. dimana pada pemberian sebuah vektor input. sehingga bersifat dinamis.JARINGAN AUTO-ASOSIATIF tipe RECURRENT (jaringan dinamis) Jaringan ini memiliki sambungan umpan balik. dengan bobot bobot sambungan umpan balik wij untuk i =/= j. JARINGAN HOPFIELD Topologi : Terdiri dari satu lapisan neuron neuron output.

. . . vektor input vektor target x|k = (x1. t2. . tN )k = x|k k = 1. . xN )k t|k = (t1. Jaringan dilatih untuk autoasosiasi K pasang vektor bipolar. . selanjutnya jaringan akan beriterasi (ber-ubah2 harga outputnya) sampai harga outputnya stabil (tidak berubah lagi). . x2. K Matriks bobot solusi untuk menyimpan vektor vektor tersebut adalah wij = S xi|k xj|k k=1 K untuk i =/= j dan untuk i = j dihitung dengan aturan Hebb wij = 0 lts 04 34 . .Pengujian Mula mula harga harga output di-set sesuai dengan vektor input pengujiannya.

x2. Untuk tiap neuron.. Set output yi = xi untuk i = 1. dihitung (a) Net input ynet i = xi + S yj wji j (b) Output yi = 1 yi 0 bila y net i > qi bila y net i = qi bila y net i < qi 3. Inisialisasi bobot jaringan dengan aturan Hebb.. wij = S xi|k xj|k k=1 K untuk i =/= j untuk i = j wij = 0 1. Jaringan dianggap konvergen bila output sudahtidak berubah ubah lts 04 lagi 35 . Pengujian konvergensi. N Pengujian untuk vektor input x = ( x1. dengan urutan acak. xN ) 2.. .Algoritma Hopfield 0.

Contoh : Jaringan Hopfield untuk autoasosiasi vektor x = ( 1 1 1 0 ) Bobot jaringan untuk asosiasi vektor tersebut adalah : W = xT x = ( 1 1 1 -1 )T ( 1 1 1 -1 ) 1 1 1 -1 1 1 1 -1 1 1 1 -1 -1 -1 -1 1 0 1 1 -1 1 0 1 -1 1 1 0 -1 -1 -1 -1 0 Matriks simetris ( wij = wji ) dengan elemen.elemen diagonal yang dinolkan = = Dengan bobot ini jaringan menyimpan vektor ( 1 1 1 0 ) sebagai vektor asosiasi. (b) Bila jaringan sudah konvergen berarti input x diasosiasikan dengan vektor output jaringan. Catatan : Hopfield menggunakan vektor input biner tetapi untuk perhitungan lts 04 36 bobotnya menggunakan vektor bipolar. . kerjakan langkah 2(a) untuk vektor output yang baru.(a) Bila jaringan belum konvergen.

j =/= 1 y1 = 1 3. y1 = x1 = 0 . Langkah langkah pengujian : 0. Pilih (secara acak) misalnya neuron y1 .Untuk pengujian jaringan tersebut diberikan vektor input pengujian ( 0 0 1 0 ) . y2 = x2 = 0 . yang dapat dianggap sbg vektor asosiasi ( 1 1 1 0 ) tetapi dengan kesalahan pada elemen ke 1 dan 2. Inisialisasi bobot jaringan 0 1 1 -1 W= 1 0 1 -1 1 1 0 -1 -1 -1 -1 0 1. Jadi. 37 . jaringan belum konvergen karena output belum sama dengan lts 04 vektor asosiasi (target) yang tersimpan dalam jaringan. y4 = x4 = 0 2. Vektor output y = ( 1 0 1 0 ) =/= vektor asosiasi ( 1 1 1 0 ). y3 = x3 = 1 . hitung net-input dan outputnya (a) net-input (b) output ynet 1 = x1 + S yj wj1 = 0 + 1 > 0 . Berikan vektor pengujian x = (0 0 1 0) sebagai harga output y.

untuk j =/= 4 j (b) y4 = 0 3. Vektor output y = ( 1 0 1 0 ) =/= ( 1 1 1 0 ) Belum konvergen karena belum sama dengan vektor asosiasi yang tersimpan dalam jaringan. Pilih neuron y3 (mengulang langkah 2 tetapi untuk neuron yang lain dan (a) ynet 3 = x3 + S yj w j3 = 1 + 1 > 0 .2. lts 04 38 .2 < 0 . Pilih neuron y4 (mengulang langkah 2 tetapi untuk neuron yang lain dan dengan harga output terakhir) (a) ynet 4 = x4 + S yj w j4 = 0 . Vektor output y = ( 1 0 1 0 ) =/= ( 1 1 1 0 ) Belum konvergen karena belum sama dengan vektor asosiasi yang tersimpan dalam jaringan. untuk j =/= 3 j dengan harga output terakhir) (b) y3 = 1 3. 2.

Jaringan mencapai konvergensi karena output y sama dengan vektor asosiasi yang tersimpan dalam jaringan. Vektor output y = ( 1 1 1 0 ) = vektor asosiasi ( 1 1 1 0 ) Bila perhitungan dilanjutkan (dengan mengulang langkah 2 untuk neuron yang lain) maka output y tidak akan berubah lagi. untuk j =/= 2 (b) y2 = 1 3.2. 39 . Catatan : Bila ada P buah vektor asosiasi yang tersimpan dalam jaringan maka sebuah vektor pengujian yang cacat atau berderau akan diasosiasikan dengan vektor asosiasi yang paling dekat dengannya. Pilih neuron y2 (mengulang langkah 2 tetapi untuk neuron yang lain dan dengan harga output terakhir) j (a) ynet 2 = x2 + S yj w j2 = 1 + 1 + 1 > 0 . Soal : Ujilah jaringan dengan vektor input yang mempunyai kesalahan 3 lts 04 elemen. Dengan demikian jaringan mengasosiasikan vektor pengujian ( 0 0 1 0 ) dengan vektor asosiasi ( 1 1 1 0 ) yang tersimpan dalam jaringan.

Fungsi energi sistem adalah fungsi keadaan jaringan .DASAR ALGORITMA HOPFIELD Konvergensi jaringan Hopfield didasarkan pada fungsi energi-sistem (fungsi Lyapunof). maka jaringan akan konvergen pada keadaan keadaan stabil jaringan. energinya juga akan berubah sebesar lts 04 DE = .[ Syj wij + xi ] Dyi net-inputj 40 . Energi jaringan E = .5 S i=j i S yi yj wij . Satu set keadaan stabil jaringan adalah satu set vektor yang tersimpan dalam jaringan dan yang saling orthogonal.S xi yi i Dengan asumsi bahwa pada setiap saat hanya satu neuron yang dapat diupdate aktivasinya (misalnya aktivasi neuron yi ). Untuk jaringan iteratif bila fungsi energi-jaringan dapat ditentukan.0. Untuk neural net. maka bila aktivasi jaringan berubah sebesar Dyi . keadaan sistem dinyatakan sebagai vektor aktivasi neuron neuronnya.

terjadi bila net input [ Syj w ij + xi ] < 0. (b) Untuk perubahan tipe (3) dan (4). Dengan demikian terbukti bahwa energi jaringan adalah fungsi yang bounded (tidak membesar tak-berhingga).Karena output yi berharga biner. perubahan energi DE selalu nol.[ Syj w ij + xi ] Dyi . (1) Perubahan yi dari 0  1 ( atau Dyi > 0 ) terjadi bila net input [ Syj w ij + xi ] > 0. ( atau Dyi = 0 ) ( atau Dyi < 0 ) (4) Perubahan yi dari 1  1 ( atau Dyi = 0) Dari rumus (a) Untuk perubahan tipe (1) dan (2). perubahan energi DE selalu negatif. DE = . lts 04 41 . terjadi bila net input [ Syj wij + xi ] > 0. maka akan ada empat kemungkinan perubahannya. (2) Perubahan yi dari 1  0 (3) Perubahan yi dari 0  0 terjadi bila net inputnya [ Syj w ij + xi ] < 0.

maka secara iteratif jaringan akan mencapai keseimbangan yang stabil dimana energi tidak akan berubah (konvergen) walaupun iterasi dilanjutkan . dan X|3 E E1 E3 E2 X|1 lts 04 X X|2 X|3 42 vektor pengujian x . X|2 .Dengan fungsi energi jaringan yang bounded dan tak membesar. Profil Energi dari jaringan yang menyimpan vektor vektor asosiasi X|1 .

untuk asosiasi vektor 2-dimensi x1 x|0 x|1 x|2 x|3 0 0 1 1 x2 0 1 0 1 E1 x|1 x2 Energi E0 . E1 . dan E3 permukaan energi E.Contoh. terletak pada lembah-lembah E E2 E0 x|0 E3 x|2 x1 x|3 Dengan demikian vektor pengujian x yang mirip vektor asosiasi x|k akan lts 04 mencapai kestabilannya di lembah x|k (diasosiasikan sebagai vektor x|k) 43 . E2 .

Contoh : Vektor2 asosiasi yang tersimpan dalam jaringan (sudah dilatihkan). Input pengujian (= pola “6” yang terdistorsi) Iterasi perubahan vektor output jaringan diasosiasikan sbg angka “6” lts 04 output stabil 44 .

Contoh : 8 vektor asosiasi yang tersimpan dalam jaringan Iterasi perubahan harga output untuk input pengujian berderau lts 04 vektor pengujian 45 output stabil .

lts 04 46 .