149 JARINGANSYARAF TIRUAN Jaringansyarafadalahmerupakansalahsaturepresentasibuatandariotak manusiayangselalumencobauntukmensimulasikanprosespembelajaranpada otak manusia tersebut.Istilah buatan disini digunakan karenajaringan syaraf ini diimplementasikandenganmenggunakanprogramkomputeryangmampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. 8.1 OTAK MANUSIA Otakmanusiaberisiberjuta-jutaselsyarafyangbertugasuntukmemproses informasi. Tiap-tiap sel bekerja seperti suatu prosesor sederhana. Masing-masing seltersebutsalingberinteraksisehinggamendukungkemampuankerjaotak manusia. Gambar 8.1Susunan syaraf manusia. Gambar8.1menunjukkansusunansyarafpadamanusia.Setiapselsyaraf (neuron)akanmemilikisatuintisel, inti sel ininantiyangakanbertukan untuk melakukanpemrosesaninformasi.Informasiyangdatangakanditerimaoleh dendrit.Selainmenerimainformasi,dendritjugamenyertaiaxonsebagai keluarandarisuatupemrosesaninformasi.Informasihasilolahaniniakan menjadimasukanbagineuronlainyangmanaantardendritkeduaseltersebut dipertemukandengansynapsis.Informasiyangdikirimkanantarneuronini beruparangsanganyangdilewatkanmelaluidendrit. Informasiyangdatangdan diterima oleh dendrit akan dijumlahkan dan dikirim melalui axon ke dendrit akhir yangbersentuhandengandendritdarineuronyanglain.Informasiiniakan diterimaolehneuronlainjikamemenuhibatasantertentu,yangseringdikenal dengannamanilaiambang(threshold).Padakasusini,neurontersebut dikatakanteraktivasi.Hubunganantarneuronterjadisecaraadaptif,artinya struktur hubungan tersebut terjadi secara dinamis. Otakmanusia selalu memiliki kemampuan untuk belajar dengan melakukan adaptasi. 8.2 SEJARAH Mulaidariditemukannya,jaringansyaraftiruantelahmengalamitahap-tahap perkembangan, antara lain: Pada tahun 1940-an, para ilmuwan menemukan bahwa psikologi dari otak sama dengan mode pemrosesan yang dilakukan oleh peralatan komputer. Padatahun1943,McCullochdanPittsmerancangmodelformalyang pertama kali sebagai perhitungan dasar neuron. Sel-1 (Neuron-1) Sel-2 (Neuron-2) Inti Sel (Neucleus) Axon Dendrit Synapsis Dendrit 8 150 Padatahun1949,Hebbmenyatakanbahwainformasidapatdisimpan dalamkoneksi-koneksidanmengusulkanadanyaskemapembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut. Padatahun1954,FarleydanClarkmensetupmodel-modeluntukrelasi adaptif stimulus-respon dalam jaringan random. Padatahun1958,Rosenblattmengembangkankosepdasartentang perceptron untuk klasifikasi pola. Padatahun1960,WidrowdanHoffmengembangkanADALINEuntuk kendaliadaptifdanpencocokanpolayangdilatihdenganaturan pembelajaran east Mean Square (LMS). Padatahun1974,Werbosmemperkenalkanalgoritma-ackpropagation untuk melatih perceptron dengan banyak lapisan. Pada tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan menggunakan model probabilistik. Padatahun1982,Kohonenmengembangkanmetodepembelajaran jaringansyarafyangtidakterawasi(unsupervisedlearning)untuk pemetaan. Padatahun1982,Grossbergmengembangkanteorijaringanyang diinspirasiolehperkembanganpsikologi.BersamaCarpenter,mereka mengenalkansejumlaharsitekturjaringan,antaralain:Adaptive Resonance Theory (ART), ART2, dan ART3. Padatahun1982,Hopfieldmengembangkanjaringansyarafreccurent yang dapat digunakan untuk menyimpan informasi dan optimasi. Padatahun1985,algoritmapembelajarandenganmenggunakanmesin Boltzmannyangmenggunakanmodeljaringansyarafprobabilistikmulai dikembangkan. Padatahun1987,KoskomengembangkanjaringandaptiveBidirectional ssociative Memory (BAM). Pada tahun 1988, mulai dikembangkan fungsi radial basis. 8.3 KOMPONEN JARINGAN SYARAF Adabeberapatipejaringansyaraf,namundemikian, hampirsemuanyamemiliki komponen-komponenyangsama.Sepertihalnyaotakmanusia,jaringansyaraf jugaterdiri-daribeberapaneuron,danadahubunganantaraneuron-neuron tersebut.Neuron-neurontersebutakanmentransformasikaninformasiyang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringansyaraf,hubunganinidikenaldengannamabobot.Informasitersebut disimpanpadasuatunilaitertentupadabobottersebut.Gambar8.2 menunjukkan struktur neuron pada jaringan syaraf. Gambar 8.2 Struktur neuron jaringan syaraf. Jikakitalihat,neuronbuataninisebenarnyamiripdenganselneuronbiologis. Neuron-neuronbuatantersebutbekerjadengancarayangsamapuladengan neuron-neuronbiologis.Informasi(disebutdengan:input)akandikirimke Fungsi aktivasi Output bobot bobot Input dari neuron-neuron yang lain Output ke neuron-neuron yang lain 151 neurondenganbobotkedatangantertentu.Inputiniakandiprosesolehsuatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang yanag datang.Hasilpenjumlahaninikemudianakandibandingkandengansuatunilai ambang (threshold) tertentu melalui 1ungsi aktivasi setiap neuron. Apabila input tersebutmelewatisuatunilaiambangtertentu,makaneurontersebutakan diaktifkan,tapikalautidak,makaneurontersebut tidakakandiaktifkan.Apabila neurontersebutdiaktifkan,makaneurontersebutakanmengirimkanoutput melaluibobot-bobotoutputnyakesemuaneuronyang berhubungandengannya. Demikian seterusnya. Padajaringansyaraf,neuron-neuronakandikumpulkandalamlapisan-lapisan (layer)yang disebutdenganlapisanneuron(neuronlayers).Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya(kecuali lapisaninputdanlapisanoutput).Informasiyangdiberikan padajaringansyarafakandirambatkanlapisankelapisan,mulaidarilapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengannama lapisan tersembunyi(hiddenlayer).Tergantungpadaalgoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan. Gambar 8.3 menunjukkan jaringan syaraf dengan 3 lapisan. Gambar 8.3Jaringan syaraf dengan 3 lapisan. Gambar8.3bukanlahstrukturumumjaringansyaraf.Beberapajaringansyaraf adajugayang tidakmemiliki lapisantersembunyi,danadajugajaringansyaraf dimana neuron-neuronnya disusun dalam bentuk matriks. 8.4 ARSITEKTUR JARINGAN Sepertitelah dijelaskansebelumnya bahwaneuron-neurondikelompokkandalan lapisan-lapisan. Umumnya, neuron-neuron yang terletak pada lapisan yang sama akanmemilikikeadaanyangsama.Faktorterpentingdalammenentukan kelakuansuatuneuronadalahfungsiaktivasidanpolabobotnya.Padasetiap lapisanyangsama,neuron-neuronakanmemilikifungsiaktivasiyangsama. Apabila neuron-neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkandenganneuron-neuronpadalapisanyanglain(misalkanlapisan output),makasetiapneuronpadalapisantersebut(misalkanlapisan Nilai input Neuron-neuron pada lapisan input Neuron-neuron pada lapisan tersembunyi Neuron-neuron pada lapisan output Nilai output 152 tersembunyi) juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya (misalkan lapisan output). Ada beberapa arsitektur jaringan syaraf, antara lain: a. Jaringan dengan lapisan tunggal (single layer net)Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung.Jaringaninihanyamenerimainputkemudiansecaralangsungakan mengolahnyamenjadioutputtanpaharusmelaluilapisantersembunyi(Gambar 8.4). Pada Gambar 8.4 tersebut, lapisan input memiliki 3 neuron, yaitu X1, X2 dan X3.Sedangkanpadalapisanoutputmemiliki2neuronyaituY1danY2.Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2neuronditentukanolehbobotyangbersesuaian.Semuaunitinputakan dihubungkan dengan setiap unit output. Gambar 8.4Jaringan syaraf dengan lapisan tunggal. b. Jaringan dengan banyak lapisan (2ultilayer net) Jaringandenganbanyaklapisanmemiliki1ataulebihlapisanyangterletak diantaralapisaninputdanlapisanoutput(memiliki1ataulebihlapisan tersembunyi),sepertiterlihatpadaGambar8.5.Umumnya,adalapisanbobot-bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisaninidapatmenyelesaikanpermasalahanyanglebihsulitdaripadalapisan denganlapisantunggal,tentusajadenganpembelajaranyanglebihrumit. Namundemikian,padabanyakkasus,pembelajaranpadajaringandengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah. Nilai input Lapisan Input Matriks bobot Lapisan Output Nilai output w11 X1X2X3 Y1Y2 w12 w21 w22 w31w32 Nilai input Lapisan Input Matriks bobot pertama v11 X1X2X3 v12 v21 v22 v31v32 153 Gambar 8.5Jaringan syaraf dengan banyak lapisan. .. Jaringan dengan lapisan kompetiti1 (.o25etitive layer net) Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan padadiagramarsitektur.Gambar8.6menunjukkansalahsatucontoharsitektur jaringan dengan lapisan kompetitif yang memiliki bobot -n. Gambar8.6 Jaringan syaraf dengan lapisan kompetitif. 8.5 FUNGSI AKTIVASI Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain: a.Fungsi Undak Biner (ard Li2it) Jaringandenganlapisantunggalseringmenggunakanfungsiundak(step function)untukmengkonversikaninputdarisuatuvariabelyangbernilai kontinu ke suatu output biner (0 atau 1) (Gambar 8.7). Fungsi undak biner (hard limit) dirumuskan sebagai: A1Am AiAj n n n n n n 1 1 1 1 154 ||>=0 x jika , 10 x jika , 0y Gambar 8.7Fungsi aktivasi: Undak Biner (hard limit). b.Fungsi Undak Biner (%hreshold) Fungsiundakbinerdenganmenggunakannilaiambangseringjugadisebut dengannamafungsinilaiambang(threshold)ataufungsiHeaviside(Gambar 8.8). Fungsi undak biner (dengan nilai ambang 7) dirumuskan sebagai: ||>=77x jika , 1x jika , 0y Gambar 8.8Fungsi aktivasi: Undak Biner (threshold). .. Fungsi Bipolar ($y2etric ard Li2it) Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1 (Gambar 8.9).Fungsi Symetric Hard imit dirumuskan sebagai:

|

| =>=0 x jika , 10 x jika , 00 x jika , 1y Gambar 8.9Fungsi aktivasi: Bipolar (symetric hard limit). 0 1 y x 0 1 y x 7 0 1 y x -1 155 d.Fungsi Bipolar (dengan threshold) Fungsibipolarsebenarnyahampirsamadenganfungsiundakbinerdengan threshold,hanyasajaoutputyangdihasilkanberupa1,0atau-1(Gambar 8.10).Fungsi bipolar (dengan nilai ambang 7)dirumuskan sebagai: || >=77x jika , 1x jika , 1y Gambar 8.10Fungsi aktivasi: Bipolar (threshold). e.Fungsi Linear (identitas) Fungsilinearmemilikinilaioutputyangsamadengannilaiinputnya(Gambar 8.11). Fungsi linear dirumuskan sebagai: x y= Gambar 8.11Fungsi aktivasi: Linear (identitas). 1.Fungsi Saturating Linear Fungsiiniakanbernilai0jikainputnyakurangdari-,danakanbernilai1 jikainputnyalebihdari.Sedangkanjikanilaiinputterletakantara-dan , maka outpunya akan bernilai sama dengan nilai input ditambah (Gambar 8.12). Fungsi saturating linear dirumuskan sebagai:

|

| +>=5 , 0 x jika ; 05 , 0 x 5 , 0 jika ; 5 , 0 x5 , 0 x jika ; 1y 0 1 y x -1 7 0 1 y x -1 -11 156 Gambar 8.12Fungsi aktivasi: Saturating inear g.Fungsi Symetri. Saturating Linear Fungsiiniakanbernilai-1jikainputnyakurangdari-1,danakanbernilai1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outpunya akan bernilai sama dengan nilai inputnya (Gambar 8.13). Fungsi symetric saturating linear dirumuskan sebagai:

|

| >=1 x jika ; 11 x 1 jika ; x1 x jika ; 1y Gambar 8.13Fungsi aktivasi: Symetric Saturating inear. .Fungsi Sigmoid Biner. Fungsi inidigunakanuntukjaringansyarafyangdilatihdengan menggunakan metode-ackpropagation.Fungsisigmoidbinermemilikinilaipadarange0 sampai1.Olehkarenaitu,fungsiiniseringdigunakanuntukjaringansyaraf yangmembutuhkannilaioutputyangterletakpadainterval0sampai1. Namun,fungsiinibisajugadigunakanolehjaringansyarafyangnilai outputnya 0 atau 1 (Gambar 8.14). Fungsi sigmoid biner dirumuskan sebagai: xe 11) x ( f y9 += = dengan:)] x ( f 1 )[ x ( f ) x ( ' f= 9 0 1 y x-0,50,5 0 1 y x-11 -1 157 Gambar 8.14Fungsi aktivasi: Sigmoid Biner. i. Fungsi Sigmoid BipolarFungsisigmoidbipolar hampir samadenganfungsi sigmoid biner,hanyasaja output dari fungsi ini memiliki range antara 1 sampai -1 (Gambar 8.15). Fungsi sigmoid bipolar dirumuskan sebagai: xxe 1e 1) x ( f y

+

= = dengan:)] x ( f 1 )][ x ( f 1 [2) x ( ' f+ =9 Fungsi ini sangatdekatdenganfungsi hyper-olictangent.Keduanya memiliki rangeantara-1sampai1.Untukfungsihyper-olictangent,dirumuskan sebagai: x xx xe ee e) x ( f y

+

= = ataux 2x 2e 1e 1) x ( f y

+

= = dengan:)] x ( f 1 )][ x ( f 1 [ ) x ( ' f+ =

Gambar 8.15Fungsi aktivasi: Sigmoid Bipolar. -1 0 -8 - -1 -2 0 2 1 8 1 000 . 10 . 20 . 30 . 10 . 50 . 0 . Z0 . 80 . 91xv90,5 91 92 -1 0 -8 - -1 -2 0 2 1 8 1 0-1-0 . 8-0 . -0 . 1-0 . 200 . 20 . 10 . 0 . 81xv90,5 91 92 158 8.6PROSES PEMBELAJARAN Padaotakmanusia,informasiyang dilewatkandarisatu neuronkeneuronyang lainnyaberbentukrangsanganlistrikmelaluidendrit.Jikarangsangantersebut diterimaolehsuatuneuron,makaneurontersebutakanmembangkitkanoutput kesemuaneuronyangberhubungandengannyasampaiinformasitersebut sampai ke tujuannya yaitu terjadinya suatu reaksi. Jika rangsangan yang diterima terlaluhalus,makaoutputyangdibangkitkanolehneurontersebuttidakakan direspon.Tentusajasangatlahsulituntukmemahamibagaimanaotakmanusia bisabelajar.Selamaproses pembelajaran,terjadiperubahanyangcukup berarti padabobot-bobotyangmenghubungkanantarneuron.Apabilaadarangsangan yangsamadenganrangsanganyangtelahditerimaolehneuron,makaneuron akanmemberikanreaksidengancepat.Namunapabilakelakadarangsangan yangberbedadenganapayangtelahditerimaolehneuron,makaneuronakan segera beradaptasi untuk memberikan reaksi yang sesuai. Jaringansyaraf akanmencobauntukmensimulasikankemampuanotakmanusia untukbelajar.Jaringansyaraftiruanjugatersusunatasneuron0neurondan dendrit. Tidak seperti model biologis, jaringan syaraf memiliki struktur yang tidak dapatdiubah,dibangunolehsejumlahneuron,danmemilikinilaitertentuyang menunjukkan seberapa besar koneksi antara neuron (yang dikenal dengan nama bobot).Perubahanyangterjadiselamaprosespembelajaranadalahperubahan nilaibobot.Nilaibobotakanbertambah,jikainformasiyangdiberikanoleh neuronyangbersangkutantersampaikan,sebaliknyajikainformasitidak disampaikanolehsuatuneuronkeneuronyanglain,makanilaibobotyang menghubungkankeduanyaakandikurangi.Padasaatpembelajarandilakukan padainputyangberbeda,makanilaibobotakandiubahsecaradinamishingga mencapaisuatunilaiyangcukupseimbang.Apabilanilaiinitelahtercapai mengindikasikanbahwatiap-tiapinputtelahberhubungandenganoutputyang diharapkan. a. Pembelajaran terawasi (su5ervised learning) Metodepembelajaranpadajaringansyarafdisebutterawasijikaoutputyang diharapkan telah diketahui sebelumnya. Contoh:andaikankitamemilikijaringansyarafyangakandigunakanuntuk mengenali pasangan pola, misalkan pada operasi AND: Inputtarget 000 010 100 111 Padaprosespembelajaran,satupolainputakandiberikankesatuneuronpadalapisaninput.Polainiakandirambatkandisepanjangjaringansyarafhingga sampaikeneuronpadalapisanoutput.Lapisanoutputiniakanmembangkitkan polaoutputyangnantinyaakandicocokkandenganpolaoutputtargetnya. Apabilaterjadiperbedaanantarapolaoutputhasilpembelajarandenganpola target, maka disini akanmuncul error. Apabila nilai error ini masih cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. 159 b. Pembelajaran tak terawasi (unsu5ervised learning) Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output. Padametodeini,tidakdapatditentukanhasilyangsepertiapakahyang diharapkanselamaprosespembelajaran.Selamaprosespembelajaran,nilai bobotdisusundalamsuaturangetertentutergantungpadanilaiinputyang diberikan.Tujuanpembelajaraniniadalahmengelompokkanunit-unityang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan (klasifikasi) pola. 8.7 PEMBELAJARAN TERAWASI (SUPERVISED LEARNING) A.Hebb RuleHebb rule adalahmetode pembelajaranyangpalingsederhana.Padametodeini pembelajarandilakukandengancaramemperbaikinilaibobotsedemikianrupa sehinggajikaada2neuronyangterhubung,dankeduanyapadakondisi`hidup (on) pada saat yang sama, maka bobot antara keduanya dinaikkan. Apabila data direpresentasikan secara bipolar, maka perbaikan bobotnya adalah: wi(baru)wi(lama) + xi*y dengan: wi : bobot data input ke-i; xi:input data ke-i.y:output data. Misalkankitagunakanpasanganvektorinputsdanvektoroutputsebagai pasanganvektoryangakandilatih.Sedangkanvektoryanghendakdigunakan untuk testing adalah vektor x. Algoritma 0.Inisialisasi semua bobot: wij0;dengan i1,2,...,n; dan j1,2,...,m. 1.Untuksetiappasanganinput-output(s-t),lakukanlangkah-langkahsebagai berikut: a.Set input dengan nilai sama dengan vektor input: xisi; (i1,2,...,n) b.Set output dengan nilai sama dengan vektor output: yjtj; (j1,2,...,m) c.Perbaiki bobot: wij(baru)wij(lama) + xi*yj; (i1,2,...,n; dan j1,2,...,m) dengan catatan bahwa nilai bias selalu 1. Conto 8.1: Misalkankitainginmembuatjaringansyarafuntukmelakukanpembelajaran terhadap fungsi OR dengan input dan target bipolar sebagai berikut: 160 Input Bias Target -1 -11-1 -111 1 1 -11 1 111 1 Bobot awal dan bobot bias kita set0. Arsitektur jaringan untuk contoh 8.1. Gambar8.16 Arsitektur jaringan contoh 8.1. X = -1 -1 -11 1 -1 11 T = -1 1 1 1 Bobot awal = w = 0 0 b = 0 Perubahan bobot: Data ke-1 w1 =0 + 1= 1 w2 =0 + 1= 1 b =0 - 1= -1 Data ke-2 w1 = 1 - 1= 0 w2 = 1 + 1= 2 b =-1 + 1= 0 Data ke-3 w1 = 0 + 1 = 1 w2 = 2 - 1 = 1 b = 0 + 1 = 1 Data ke-4 w1 = 1 + 1 = 2 w2 = 1 + 1 = 2 b = 1 + 1 = 2 F(y_in) y_in y x1 x2 1 b w2 w1 %xw+b 161 Kitabisamelakukanpengetesanterhadapsalahsatudatayangada,misalkita ambil x[-1 -1]. Y = 2 + (-12) + (-12) = -2 B.Per.eptronPerceptronjugatermasuksalahsatubentukjaringansyarafyangsederhana. Perceptron biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentuyangseringdikenaldengan pemisahansecaralinear. Padadasarnya,perceptron padajaringansyarafdengansatulapisanmemilikibobotyangbisadiaturdan suatu nilai ambang (threshold). Algoritma yang digunakan oleh aturan perceptron iniakanmengatur parameter-parameterbebasnyamelalui prosespembelajaran. Nilaithreshold(7)padafungsiaktivasiadalannonnegatif.Fungsiaktivasiini dibuatsedemikianrupasehinggaterjadipembatasanantaradaerahpositifdan daerah negatif (Gambar 8.17). Gambar 8.17 Pembatasan linear dengan perceptron. Garis pemisah antara daerah positif dan daerah nol memiliki pertidaksamaan: w1x1 + w2x2 + b > 7 Sedangkangarispemisahantaradaerahnegatifdengandaerahnolmemiliki pertidaksamaan: w1x1 + w2x2 + b < -7 Misalkankitagunakanpasanganvektorinputsdanvektoroutputsebagai pasangan vektor yang akan dilatih. Algoritma:0.Inisialisasi semua bobot dan bias: (untuk sederhananya set semua bobot dan bobot bias sama dengan nol). Set learning rate: - (0 < - 1). (untuk sederhananya set sama dengan 1). 1.Selamakondisiberhentibernilaifalse,lakukanlangkah-langkahsebagai berikut: (i). Untuk setiap pasangan pembelajaran s-t, kerjakan: a.Set input dengan nilai sama dengan vektor input: xisi;x1 x2 + - - + daerah positif daerah negatif daerah nol 162 b.Hitung respon untuk unit output: + =ii iw x b in _ y

|

| >=77 77in _ y jika , 1in _ y jika , 0in _ y jika , 1yc.Perbaiki bobot dan bias jika terjadi error: Jika yt maka: wi(baru)wi(lama) + -*t*xi b(baru)b(lama) + -*t jika tidak, maka: wi(baru)wi(lama) b(baru)b(lama) (ii).Teskondisiberhenti:jikatidakterjadiperubahanbobotpada(i)maka kondisi berhenti TRUE, namun jika masih terjadi perubahan maka kondisi berhenti FALSE. Algoritma di atas bisa digunakan baik untuk input biner maupun bipolar, dengan 7 tertentu,danbiasyang dapatdiatur.Padaalgoritma tersebutbobot-bobotyang diperbaiki hanyalah bobot-bobot yang berhubungan dengan input yang aktif (xi 0) dan bobot-bobot yang tidak menghasilkan nilai y yang benar. Conto 8.2: Misalkankitainginmembuatjaringansyarafuntukmelakukanpembelajaran terhadap fungsi AND dengan input biner dan target bipolar sebagai berikut: Input Bias Target 111 1 101-1 011-1 001-1 Arsitektur jaringan untuk contoh 8.2 terlihat pada Gambar 8.18. Gambar 8.18 Arsitektur jaringan contoh 8.2. Bobot awal: w = 0,0 0,0` Bobot bias awal : b = 0,0` Learning rate (alfa): 0,8 Threshold (tetha) : 0,5 F(y_in) y_in y x1 x2 1 b w2 w1 %xw+b 163 poh ke-1 -------------------- Data ke-1 y_in = 0,0 + 0,0 + 0,0 = 0,0 Hasil aktivasi =0 (-0,5 < y_in