BIDERCTIONAL ASSOCIATIVE MEMORY (BAM)

Oleh:

Adityo Mursitantyo (1108255003)

Jurusan Fisika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas Udayana

2012

Bidirectional Associative Memory yang yang biasanya sering disebut

dengan BAM adalah jenis jaringan saraf berulang. BAM diperkenalkan oleh

Bart Kosko pada tahun 1988. Pengertian Bidirectional Associative Memory

(BAM) itu sendiri adalah suatu jaringan memory assosiative yang dapat

menyimpan sekumpulan pola dengan cara menjumlahkan matriks korelasi

bipolar. BAM sebagai model ‘neural networks’ memiliki kelebihan yaitu dapat

memroses input yang tak lengkap (incomplete input atau input with noise).

Adapun kelemahan BAM adalah terletak pada kapasitas memori yang sangat

kecil.

Arsitektur BAM terdiri dari 2 lapisan yg dihubungkan oleh lintasan

koneksi bobot. Jaringan akan beriterasi, mengirimkan sinyal pulang pergi antara

2 lapisan sampai semua neuron menjadi stabil (semua aktivasi neuron konstan).

BAM menyimpan pola pelatihan dalan matrik n x m yang merupakan perkalian

dari vektor input dan target pelatihan (outer product).

Gambar 1. Arsitektur Bidirectional Associative Memory (BAM)

Pada arsitektur Bidirectional Associative Memory (BAM), arsitektur

jaringan ini terdiri dari dua lapisan neuron yaitu, input dan output. Informasi dari

jaringan ini bisa masuk dua arah (dari input ke output dan kembali dari output ke

input). Masing-masing lapisan tersebut dihubungkan dengan vektor bobotnya.

Iterasi jaringan dilakukan dengan pengiriman sinyal keluar dan kembali diantara

kedua lapisan sehingga semua neuron yang menyusun jaringan memiliki nilai

yang seimbang.

Pada jaringan Bidirectional Associative Memory (BAM) ini interaksi

antara kedua lapisan terjadi secara bidirectional yaitu :

1. Jika jaringan mengirimkan sinyal dari X-layer ke Y-layer maka bobot

jaringan dituliskan sebagai vektor bentuk W.

2. Jika jaringan mengirimkan sinyal dari Y-layer ke X-layer maka bobot

jaringan dituliskan sebagai vektor bentuk WT.

Algoritma Jaringan BAM

Algoritma Jaringan syaraf tiruan BAM adalah sebagai berikut :

Langkah-0 : Inisialisasi bobot untuk disimpan pada P vektor

Langkah-1 : Untuk masing-masing masukan, lakukan langkah 2- 6:

Langkah-2a : Berikan pola masukan x pada X-layer (dengan

penyettingan aktivasi pada pola masukan X

terlebih dahulu).

Langkah-2b : Berikan pola masukan y pada Y-layer (dengan

pemberian nilai yang lain dari pola masukan X).

Langkah-3 : Saat nilai aktivasi tidak dapat ditemukan, lakukan

langkah 4-6.

Langkah-4 : Perbaharui aktivasi pada unit neuron Y-layer,

dengan cara :

Hitung jaringan input : Y_inj =

Hitung aktivasi: yj = f (Y_inj)

Kemudian kirim sinyal ke X-layer.

Langkah-5 : Perbaharui aktivasi pada unit neuron X-layer, dengan cara :

Hitung jaringan input : X_inj =

 

Hitung aktivasi: Xi = f(X_inj)

Kemudian kirim sinyal ke Y-layer.

Langkah-6 : Lakukan test kembali. Jika vektor aktivasi x dan y mempunyai

nilai yang seimbang, maka hentikan proses test, jika tidak lakukan

kembali.

Jenis Jaringan Syaraf Tiruan BAM

1. BAM Diskret

Pada BAM Diskret ada 2 kemungkinan tipe data, yaitu biner dan bipolar.

Matriks bobot awal dibuat sedemikian rupa sehingga dapat menyimpan

pasangan vektor input dan vektor output s(p)-t(p), dengan p = 1, 2, 3, ..., P.

• Untuk Vektor input biner, matriks bobot ditentukan sebagai berikut :

fungsi aktivasi yang digunakan adalah :

fungsi aktivasi untuk Y – layer,

1; jika y_inj > 0

yj = yj; jika y_inj = 0

0; jika y_inj < 0

 

dan fungsi aktivasi untuk X – layer,

1; jika x_ini > 0

xi = xi; jika x_ini = 0

0; jika x_ini < 0

• Sedangkan untuk vektor input bipolar, matriks bobot ditentukan sebagai :

fungsi aktivasi yang digunakan adalah :

fungsi aktivasi untuk Y – layer 

1; jika y_inj > θ

yj = yj; jika y_inj = θ

-1; jika y_inj < θ

 

dan fungsi aktivasi untuk X – layer,

1; jika x_ini > θ

xi = xi; jika x_ini = θ

-1; jika x_ini < θ

2. BAM Kontinyu

BAM kontinyu akan mentransformasikan input secara lebih halus dan

kontinyu ke kawasan output dengan nilai yang terletak pada range [0,1]. Fungsi

aktivasi yang digunakan adalah fungsi sigmoid.

Untuk input biner vektor (s(p), t(p)), p = 1,2,....p, berat ditentukan oleh

rumus tersebut

Fungsi aktivasi sigmoid logistic

  Dimana bias dimasukkan dalam menghitung net input ke setiap unit

Dan sesuai rumus berlaku untuk unit X-layer.