19
f(x) =
1
1 + e
-sx
(2.6)
di
mana s
merupakan parameter kecuraman yang diberikan, umumnya s
dipilih sama dengan 1. Turunan pertama fungsi ini:
f’(x) = s f(x) [1 – f(x)]
(2.7)
dengan daerah hasil interval 0 sampai dengan 1.
Implikasi
tidak
langsung
yang
bisa
disimpulkan bahwa
dalam
neural
network,
nilai-nilai
input berupa vektor dan elemen-elemennya, nilai-nilainya
terkait dengan fungsi aktivasi yang digunakan.
e. Fungsi sigmoid bipolar
Fungsi
sigmoid
biner
bisa
diskalakan
sehingga
memiliki
daerah
hasil
pada
sembarang
interval
sesuai
dengan
permasalahan yang
diberikan.
Yang
paling
umum
adalah
daerah
hasil
dari
-1
sampai dengan 1.
Fungsi
hasil
perkalian ini disebut dengan fungsi sigmoid bipolar.
Jika
f(x)
adalah
fungsi
sigmoid biner
dan
g(x)
adalah
fungsi
sigmoid
bipolar, maka:
f(x) =
1
1 + e
-sx
(2.8)
g(x) = 2f(x) – 1
(2.9)
g(x) =
2
-
1
1 + e
-sx
(2.10)
g(x) = 1-e
x
1+e
x
(2.11)
g’(x) = (s/2) [1+g(x)] [1-g(x)]
(2.12)
 |