KECERDASAN BUATAN ANALISIS PEMBELAJARAN PERCEPTRON DENGAN GERBANG LOGIKA OR

Nama : Agus Setiawan Kelas : IF ± 2 NIM : 10107064

Fungsi Logika XOR
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 1 1 0 0

X2 1 0 1 0

Y 0 1 1 0

Sedangkan secara model adalah sebagai berikut :

Gambar 1 Sebuah NN (neural network) McCulloch-Pitts (banyak neuron) untuk mewujudkan fungsi logika XOR.

y

Network pada gambar 5 mewujudkan fungsi logika XOR yang dapat diekspresikan sebagai: x1 XOR x2 ßà (x1 AND NOT x2) OR (x2 AND NOT x1).

y

Dengan demikian x1 XOR x2 dapat diwujudkan dengan network 2-layer. Layer pertama (layer-1) mewujudkan z1 = x1 AND NOT x2 dan sekaligus z2 = x1 AND NOT x2.

Kasus 2. masing-masing memiliki nilai threshold 2. Namun demikian. dan kasus 3. Aktivasi yang diketahui saat t = 1 ditunjukkan dalam Gambar 1. berarti stimulus dingin dipresentasikan pada t = 0 dilepas pada satu step waktu. dan y.7. stimulus dingin diaplikasikan dalam dua step waktu. sedangkan Y1 dan Y2 adalah perceptorsnya (output). dimulai dari presentasi dari stimulus di t = 0. z2.7(b). stimulus panas diaplikasikan dalam satu step waktu.y Sedangkan layer-2 hanya berisi y = z1 OR z2. bila stimulus dingin yang sama diberikan dalam periode waktu yang lebih lama. hal ini diilustrasikan di Gambar 1. stimulus dingin diaplikasikan dalam satu step waktu dan kemudian dilepaskan. Pada tiap kasus. neuron-neuron X1 dan X2 menyajikan receptors (input) untuk panas dan dingin. bahwa jika sebuah stimulus dingin diberikan pada kulit manusia dalam periode waktuyang sangat singkat. hanya aktivasi yang diketahui pada waktu tertentu yang diindikasikan. Bobot pada koneksi dijelaskan pada Gambar 2.8. . Kasus 1. diilustrasikan di Gambar 1.9.7(a). Kasus 1 : Stimulus dingin diaplikasikan pada satu step waktu. Hot and Cold Dikenal baik dan merupakan physiological phenomenon (fenomena fisik) yang menarik. diilustrasikan di Gambar 1. Gambar 2. Aktivasi dari input unit adalah 0. Adalah juga sangat informatif untuk mengurut aliran dari aktivasi melalui jaringan. Unit z1. Aktivasi yang diketahui saat t = 0 ditunjukkan dalam Gambar 1. Z1 dan Z2 adalah neuron-neuron pembantu yang diperlukan pemodelannya. manusia akanmerasakan dingin. Aktivasi dari Z1 dan Z2 adalah berdasarkan dari aktivasi dari X2 di t = 0. manusia justru akan merasakan panas.

Walupun respon pada unit receptor ditentikan.7(d). Akti asi yang diketahui saat t = 2 ditunjukkan dalam Gambar 1. dan pada sat t = 1 ditunjukkan dalam Gambar 1. karena nilai saat t = 2 tidak ditentukan saat awal respons pada net di situasi yang dimodelkan. (b) t = 1. Sebuah perception panas diindikasikan oleh fakta bahwa unit Y mempunyai akti asi 1 dan unit Y2 mempunyai 1 akti asi 0. Perhatikan bahw akti asi dari input unit tidak ditentukan. belum ada perception dari panas atau dingin yang mencapai mereka. Akti asi saat (a) t = 0.8(b).8(a).   Kasus 2 : Stimulus dingin diaplikasikan pada dua step waktu. Akti asi yang diketahui pada saat t = 0 ditunjukkan dalamGambar 1. (c) t = 2. karena sejak renpons pertama pada jaringan sampai pada stimulus dingin diaplikasikan dalam dua step waktu tidak dipengaruhi oleh apakah stimulus dilepaskan setelah dua step waktu atau tidak.7(c).8(c). Walaupun respons dari unit Z dan 1 Z2 diindikasikan. respons dari perceptor unit ditentukan oleh akti asi dari semua unit saat t = 1. .Akti i iket i t t it j kkan dalam Gambar 1. Akti asi yang diketahui saat t = 3 ditunjukkan dalam Gambar 1. dan (d) t = 3. (a) (b) (c) (d) Gambar 3 Stimulus dingin diaplikasikan pada satu step waktu. Perhatikan bahwa akti asi dari input tidak ditentukan.

Unit Y ³menembak´ 1 karena telah menerima sinyal dari X1. dan (c) t = 2.(a) Gambar 1. Akti asi saat (a) t = 0 dan (b) t = 1. dan X2 mempunyai akti asi 0 saat t = 0 (a) Gambar 1. Akti asi yang diketahui saat t = 1 ditunjukkan dalam Gambar 1. Akti asi yang diketahui saat t = 0 ditunjukkan dalam Gambar 1.9 Stimulus panas diaplikasikan dalam satu step waktu.9(a). Y2 tidak ³menembak´ karena memerlukan input sinyal dari X2 dan Z2 untuk dapat ³menembak´. ¡ Kasus 3 : Stimulus panas diaplikasikan dalam satu step waktu. Akti asi saat (a) t = 0. (b) t = 1.8 Stimulus dingin diaplikasikan dalam dua step waktu.9(b). ¡ .

dan Y = ³1´ jika dan hanya jika inputan dari X1 dan X2 adalah ³1´. Berikut merupakan contoh dengan mengambil pemodelan neural networks AND. X1 X2 net Y . Dan berikut adalah hasil dari pemodelannya. akan dicoba dibuat pemodelan dari logika AND. dan untuk keperluan contoh.Contoh Penerapan Neural Networks Contoh yang akan ditampilkan disini adalah penerapannya secara sederhana. X1 1 1 0 0 X2 1 0 1 0 Y 1 0 0 0 Dengan tabel logika AND di atas. Logika AND akan memiliki hasil ³1´ atau TRUE hanya dan hanya jika kedua inputan nya bernilai ³1´ atau TRUE. Dalam pemodelan ini. karena pemodelan neural network McCulloch-Pitts adalah pemodelan neural networks sederhana dan tidak ditujukan untuk pengaplikasian apapun. Inputannya X1 dan X2. akan dibuat neural network yang mampu mengenali pola dari logika AND ini.

Y memiliki aturan dimana Y akan bernilai 1 jika net >= 2.1 + 0.1 + 0.1 + 1.1 = 1 0.1 1 0 0 1 0 1 0 1.1 = 0 1 0 0 0 Disini.1 = 1 0.1 = 2 1. .1 + 1. Dengan pemodelan ini. neural networks telah berhasil memecahkan logika AND. dan Y akan bernilai 0 jika net < 2.

Sign up to vote on this title
UsefulNot useful