Pertanyaan :
- Draw a simple diagram of a neuron and label its components (inputs, weights, bias, activation function).
- What is the purpose of an activation function (like Sigmoid or ReLU)?
- What is the purpose of an activation function (like Sigmoid or ReLU)?
- What is the difference between an input layer, a hidden layer, and an output layer?
Status : 100%
Pernyatan : Sudah mengerjakan dengan sungguh sungguh
Bukti/Jawaban :
1. Diagram Neuron Sederhana:
Neuron menerima input berupa data (\(x\)), kemudian dikalikan dengan bobot (weight). Hasilnya ditambah dengan bias (\(b\)), lalu diproses oleh activation function untuk menghasilkan output atau prediksi.
Rumus: y=f(wx+b)
Keterangan: x = input, w = bobot, b = bias, f = fungsi aktivasi, dan y = output.
2. Tujuan Activation Function: Untuk menambahkan nonlinieritas pada jaringan saraf sehingga model dapat mempelajari pola dan hubungan yang kompleks. Contohnya, Sigmoid menghasilkan nilai antara 0 dan 1, sedangkan ReLU menghasilkan 0 untuk input negatif dan nilai input itu sendiri untuk input positif.
3. Fungsi Sigmoid dan ReLU: Sigmoid sering digunakan untuk klasifikasi biner karena menghasilkan nilai antara 0 dan 1. ReLU sering digunakan pada hidden layer karena sederhana dan membantu mempercepat proses pelatihan jaringan saraf.
4. Perbedaan Input Layer, Hidden Layer, dan Output Layer:
-
Input Layer: Menerima data atau fitur masukan.
-
Hidden Layer: Memproses data menggunakan bobot, bias, dan activation function untuk mempelajari pola.
-
Output Layer: Menghasilkan hasil akhir berupa prediksi numerik atau kategori.