You are on page 1of 20

JARINGAN

KOMPETISI dg
BOBOT TETAP
Ir. Endang Sri Rahayu, M.Kom.

Pelatihan Tanpa Supervisi


Target tidak ditentukan
Tepat dipakai untuk Pattern Recognition
Contoh :

Jaringan Kompetisi
Prinsip :” winner takes all” (neuron dipaksa untuk
berkompetisi sehingga hanya 1 yang menjadi aktif
(sinyal keluaran > 0)

bobot dibuat tetap Tidak ada proses pelatihan Keluaran adalah titik yang memiliki masukan terbesar Arsitektur MAXNET : A1 1 1 -є -є Am -є -є -є 1 Ai -є Aj 1 .MAXNET      Merupakan contoh model jaringan kompetisi bobot tetap Selama proses.

jika i = j = -є jika i ≠ j •Selama terdapat lebih dari 1 unit yang fungsi aktivasi > 0. … m) dg aj (baru) = f (aj (lama) – є Σ ak (lama) ) . lakukan : Modifikasi aktivasi titik aj (j=1.Fungsi aktivasi : y= { x jika x > 0 0 jika x ≤ 0 Algoritma pemrosesan jaringan : •Inisialisasi є dengan bilangan 0 < є < 1/ m •Inisialisasi bobot wij = wji =1. 2.

2+0.32) = 0.6+0.2 – 0.6 – 0.08 a3 baru = f(0.8)) = f(0.2 dengan nilai masukan mula -mula : a1 = 0.08) = 0.2+0.56 .2(0.4 .4+0.6)) = f(0. a4 = 0.2 .16) = 0 a2 baru = f(0.8)) = f(0.32 a4 baru = f(0. a3 = 0.8 Tentukan titik dengan masukan terbesar menggunakan iterasi MaxNet PENYELESAIAN : Modifikasi nilai aj dilakukan dengan aturan : aj (baru) = f (aj (lama) – є Σ ak (lama) ) Maka iterasi – 1 menghasilkan : a1 baru = f(0.2(0.6+0.2+0.8 – 0.56) = 0. a2 = 0.8)) = f(-0.Contoh Soal : Misalkan jaringan MaxNet memiliki bobot є =0.2(0.4+0.6 .4+0.4 – 0.2(0.

4 0.48 0.6 0.096 0.442 0.56 0. maka iterasi dihentikan dengan masukan terbesar = a4 .008 0 0.8 0.32 0.421 Pada iterasi ke-5 hanya a4 yang bernilai positif.2 0 0 0 0 0 0.442 0.08 0 0 0 0 0.Hasil iterasi selengkapnya : Iterasi a1 a2 a3 a4 Mula-mula 1 2 3 4 5 0.192 0.

jumlah titik yg terpilih semakin sedikit.MEXICO HAT (topi meksiko) w1 w1 Xi-4 Xi-3 Xi-2 w2     w1 Xi-1 x1 Xi+2 xi-+1 Xi+3 w2 Ditemukan oleh Kohonen Digunakan 2 konstanta R1 dan R2 Dalam iterasinya. jaringan menyeleksi titik dg masukan maksimum beserta titik-titik disekitarnya Lama iterasi berhubungan dg jari-jari titik terkuat. Semakin lama iterasi. Xi+4 .

max(0. R1 =c2 < 0 untuk k=R1+1.Algoritma   Inisialisasi R1 dan R2 dan tmax (jml iterasi maksimal) Inisialisasi bobot wk = c1> 0 untuk k=0. ….x i))  t = t +1 . …. lakukan :  Hitung net masukan x i =c1Σ x i+k(lama) + c2 Σx i+k(lama) + c2 Σx i+k(lama)  x_max= max(x i)  Hitung fungsi aktivasi x i=min(x_max. R2 Inisialisasi xi=0 (i=1. ….2.n) t=0 Selama t<max.

Contoh Soal Gunakan algoritma topi meksiko pada vektor masukan x dg 7 unit : (0.8 0.4 Penyelesaian Modifikasi nilai xi dalam iterasi pertama : X1 X2 X3 X4 X5 X6 X7 0.0 0.8 0.8 1.0).6 dan c2= -0.5 0.6 0.8 1.5 0.0 0. Gunakan parameter R1=1.6 .0 0.4 0.5 0.0. c1=0.0 .0 0.5 0. R2=2.

6 x2(lama) + 0.5) = 1.6 x6(lama) + 0.6 x4(lama) – 0.06 x6= -0.4 x3(lama) x2=0.8) + 0.6 (0.8) – 0.16 x5= -0.6 x6(lama) – 0.5) + 0.4 (0.6 (0.4 (0.6 x2(lama) + 0.8) – 0.5) + 0.5) + 0.1 : x1=0.4 (0.4 (0.6 x2(lama) – 0.6 x3(lama) + 0.6x1(lama) + 0.5) – 0.6 (0.4x6(lama) x5= -0.6 (0.0) + 0.4 (1.6x1(lama) + 0.6 x7(lama) Iterasi .6 (0.6 x6(lama) + 0.4 x5(lama) + 0.6 (0.8) = -0.6 (1.2 .6 (0.6 (1.8) + 0.0) = 0.6 (0.8) + 0.4 (0.6 x3(lama) + 0.0) + 0.6 (0.6 x7(lama) x7= -0.6 x4(lama) + 0.6 (0.0) = 0.0) + 0.0) + 0.8) + 0.6 (0.8) + 0.5) – 0.5) + 0.4 x4(lama) x3= -0.0) = 1.4 x2(lama) + 0.2 x2=0.6 (0.6 x5(lama) – 0.4x7(lama) x6= -0.6 x5(lama) + 0.6 (0.0) – 0.4 (0.4 x1(lama) + 0.8) + 0.6 (1.4(0.4x5(lama) x4= -0.0) + 0.Iterasi berikutnya : x1=0.0) = -0.8) = 1.6 x5(lama) + 0.5) + 0.6 x4(lama) + 0.06 x4= -0.4 x4(lama) + 0.0) + 0.38 x7= -0.6 (0.4 x3(lama) + 0.4 (0.6 (0.4 (1.6 (0.6 x3(lama) – 0.38 x3= -0.

06 x4 = min(1.16.16 . 1.38)) = 0.2)) = 0 Didapat x = (0.16.38 x7 = min(1.06)) = 1. 0.16. 1. 1.16 Fungsi aktivasi menghasilkan : x1 = min(1. 1.38 . max(0. 0. max(0.38 . 0) . -0.2)) = 0 x2 = min(1.16 x5 = min(1. max(0. -0.06 x6 = min(1.16.16)) = 1. 1.38 x3 = min(1.16. 0. max(0.16. max(0. max(0. 0.x_max = 1.38)) = 0.06 .06 . 1.16. max(0.06)) = 1.

196 x_max = 1.4 (0.39 .6 (1.6 (1.66.06) – 0.4 (1.6 (1.0) + 0.66 Fungsi aktivasi menghasilkan : x1 = min(1.6 (1.6 (1.66.66 x5 = min(1. 1.66)) = 1. 1.14 .6 (0.16) + 0.66.4 (0) = 1.6 (1.196)) = 0 x2 = min(1.16) + 0.196)) = 0 Didapat x = (0.06) + 0.66.39 x3= -0. -0.14)) = 1.06) + 0.38) + 0. max(0. max(0. 0.14 x6= -0.196 x2=0.6 (0.06) – 0.06) + 0.66.6 (0.39 x7= -0.14 x4 = min(1.38) = 1.6 (1.06) + 0.06) + 0.39)) = 0.38) + 0.0) + 0.06) = 1.14 x6 = min(1.66 x5= -0.6 (0. 1.14)) = 1.16) + 0.38) – 0.6 (0.6 (0) = -0.06) = -0.6 (0. max(0.38) + 0. max(0. 0.4 (1.4 (1. max(0.39 .06) + 0.4 (1.4 (1.Iterasi .66. 1.16) – 0.4 (1.0) + 0.16) = 0.14 x4= -0.38) – 0. 0) .66 . max(0. 1.38) + 0.39 x3 = min(1.6 (0.4 (0.4 (0.6 (1.14 .39 x7 = min(1.38) + 0. 0. 1. -0. max(0.6 (0.39)) = 0.6 (1.6 (0) = 0. 0.2 : x1=0.66.

Tampak pola yang terbentuk seperti topi Yang teruncing adalah pemenangnya. 4.5 t=1 2 t=0 1.5 1 0.Iterasi bisa dilanjutkan.5 3 t=3 2.5 4 3.5 0 1 2 3 4 5 6 7 .

. Vektor contoh akan menentukan bobot jaringan Misal. x dan y adalah 2 buah vektor.JARINGAN HAMMING    Digunakan untuk menentukan vektor contoh mana yang paling mirip dengan masukan yang diberikan.

Arsitektur MAXNET Y1 1 x1 Y2 x2 x3 x4 Masing-masing node terhubung dengan garis koneksi yang memiliki bobot .

-1) Memiliki jarak hamming = 3 Contoh Soal Diketahui 2 buah vektor contoh e(1)=(1. -1. 1). 1) dan (-1. 1). -1. -1. Contoh Vektor masukan x = (1. 1. -1. 1. (-1. -1). -1. 1) . 1. vektor contoh e(1) = (1. -1) dan e(2)=(1. -1) (1. -1. -1. -1. Gunakan jaringan Hamming untuk menentukan vektor yang paling mirip dengan masingmasing dari 4 buah vektor berikut : (1. -1.JARAK HAMMING Jumlah komponen yang sama antara vektor masukan dengan vektor contoh. -1. -1. -1. -1.

5 0.-1) y_net1 = 2 + 1 (0.5) – 1 (-0.5) – 1 (-0. misal є= 0.5 ] bj = 4/2 =2 (j = 1.5) = 3 y_net2 = 2 + 1 (-0.Penyelesaian Menghitung bobot wji= ei (j) 2 = [ 0.5 -0.5) + 1(-0.5) – 1 (-0.5) + 1(-0.1.5) = 1 Gunakan jaringan maxnet untuk menghitung unit pemenang.-1.5) – 1 (0.5 -0.5 -0.5 -0.2 .5 -0.2) Evaluasi kemiripan dg vektor pola contoh Vektor x = (1.5 -0.

-1) . 1.4-0.5) – 1 (-0.4))=f(2.5) – 1 (-0.a1(0)=y_net1=3.2(3))=f(0. -1. -1) Y_net1 = 2 + 1 (0.8)=2. -1.16)=0 Karena yang bernilai positif a1.2(0. a2(2)=f(0. a2(0)=y_net2=1 Iterasinya menghasilkan : a1(1)=f(3-0.5) – 1(-0. maka vektor contoh e(1) merupakan vektor yang paling cocok dengan vektor masukan x(1.72)=2.72.5) – 1 (0. -1.5) – 1 (-0. -1.8))=f(-0.4 a1(2)=f(2.8-0.2(2.4)=0.2(1))=f(2.8.5) = 4 Y_net2 = 2 + 1 (-0.5) = 2 Karena yang terbesar y_net1. a2(1)=f(1-0. -1) Vektor x = (1. maka vektor contoh e(1) merupakan vektor yang paling cocok dengan vektor masukan x(1. -1.5) – 1(-0.

5) = 3 Karena yang terbesar y_net2.5) – 1(-0. -1. 1) y_net1 = 2 – 1 (0.Vektor x = (-1.5) – 1 (-0. -1.5) + 1 (-0.5) + 1 (0. -1. 1. 1) y_net1 = 2 – 1 (0.5) – 1 (-0.5) = 4 Karena yang terbesar y_net2. -1.5) – 1(-0.5) = 2 y_net2 = 2 – 1 (-0.5) – 1(-0. 1) .5) + 1 (-0.5) – 1(-0. 1. maka vektor contoh e(2) merupakan vektor yang paling cocok dengan vektor masukan x(-1. maka vektor contoh e(2) merupakan vektor yang paling cocok dengan vektor masukan x(-1.5) + 1 (-0.5) + 1 (-0. -1. 1) Vektor x = (-1. -1.5) = 1 y_net2 = 2 – 1 (-0.5) + 1 (0.

. # . # # # . # . 2. 3. Gambarkan grafiknya untuk t=0. Gunakan algoritma topi meksiko pada vektor : x = (1. . 2. # # .1 . c2= .7 . # # # . . # . . t=1 dan t=2.2 .SOAL LATIHAN 1.1 . 1. # . # . # # # # . # . Ulangi contoh pada algoritma topi meksiko dengan parameter R1=1 dan R2=3.0.5 3.4 . R2=3.5. 2. # # # # b. # .4 .3 . 0. 2. # . 1. # . # # # # . c1=0. # Gunakan jaringan Hamming untuk menentukan vektor contoh yang paling mirip dengan vektor masukan berikut : a. # # . . # .6) Dengan parameter R1=2. Diketahui 4 buah vektor contoh pola .