HEBBI RULE
DAN
DELTA RULE
Hebbi Rule atau yang biasa dikenal dengan Hebb Rule (1949) adalah metode pembelajaran yang paling sederhana.
Pembelajaran dilakukan dengan cara memperbaiki nilai bobot.
Pembelajaran Hebb Rule termasuk super vised
Apabila data direpresentasikan secara Bipolar dengan supervised, maka perbaikan bobotnya adalah :
HEBB RULE : DESKRIPSI
Inisialisasi semua bobot :
Setiap pasangan input-output (s-t), lakukan langkah sebagai berikut :
Set input dengan nilai sama dengan vektor input :
Set output dengan nilai sama dengan vektor output
Membuat jaringan saraf untuk melakukan pembelajaran terhadap fungsi OR dengan input dan target bipolar supervised sebagai berikut :
Bobot awal dan bobot bias diset = 0
CONTOH : PEMBELAJARAN LOGIKA OR
X1 X2 B TARGET
-1 -1 1 -1
-1 1 1 1
1 -1 1 1
Arsitektur jaringan :
Perubahan bobot :
Data ke-1 :
+ _ F(y_in)
Bentuk output :
Jika diberikan inputan x = [0,2 0,9] maka, hasilnya adalah :
Karena nilai y_in=2,4 maka hasil setelah dilakukan melalui fungsi aktivasi f(y_in) = f(2,4)= 1
HASIL TRAINING
_ = + +
Delta rule akan mengubah bobot yang menghubungkan jaringan input ke unit output (y_in) dengan nilai target (t).
Delta rule digunakan untuk meminimalkan error selama pelatihan pola.
Delta rule untuk memperbaiki bobot ke-i
Nilai w baru diperoleh dari nilai w lama ditambah dengan ∆
Tabel logika pembelajaran dengan fungsi aktivasi undak biner
Arsitektur jaringan
CONTOH: PEMBELAJARAN LOGIKA OR
X1 X2 TARGET
0 0 0
0 1 1
1 0 1
1 1 1
F(y_in)
Diketahui :
Threshold (�) = 0,5
Learning rate (�) = 0,2
w1 = 0,1
w2 = 0,3
Demikian seterusnya hingga hasil akhirnya tercapai apabila nilai error (�) = 0, dan iterasi berhenti pada iterasi yang ke-4
epoh x1 x2 t w1(L) w2(L) a y � w1(B) w2(B)
epoh x1 x2 t w1(L) w2(L) a y � w1(B) w2(B)