BD107-Artificial Intelligence – Fariid Alam Saputra – 2581485755

Module Question 6

1. Draw a simple diagram of a neuron and label its components (inputs, weights, bias, activation function).
2. What is the purpose of an activation function (like Sigmoid or ReLU)?
3. What is the purpose of an activation function (like Sigmoid or ReLU)?
4. What is the difference between an input layer, a hidden layer, and an output layer?

Status: 100% sudah tercapai

Keterangan: Sudah mengerjakan essay ini dengan baik dan benar

Bukti:

Answers:

1. 1.  x₁ ──────► (w₁) ────┐

                         │

    x₂ ──────► (w₂) ────┤

                         ├──► [ Σ ] ──► [ Activation Function ] ──► Output (y)

    x₃ ──────► (w₃) ────┤

                         │

    Bias (b) ────────────┘

   • Inputs (x₁, x₂, x₃) → data yang masuk ke neuron.
   • Weights (w₁, w₂, w₃) → nilai yang menentukan seberapa besar pengaruh setiap input.
   • Bias (b) → nilai tambahan yang membantu neuron menyesuaikan hasil perhitungan.
   • Σ (Summation) → menjumlahkan semua input yang sudah dikalikan dengan bobot dan bias.

   Secara matematis:

   z = (x₁ × w₁) + (x₂ × w₂) + (x₃ × w₃) + b

   • Activation function → mengubah hasil perhitungan menjadi output neuron.
   • Output (y) → hasil akhir yang dihasilkan oleh neuron.
2. 1. Tujuan utama activation function (fungsi aktivasi) adalah untuk memberikan kemampuan non-linear pada neuron/neural network, sehingga jaringan saraf dapat mempelajari hubungan yang kompleks dalam data.

   Tanpa activation function, neural network pada dasarnya hanya melakukan operasi linear, sehingga akan sulit menangani masalah yang kompleks

3. 1. Backpropagation adalah proses yang digunakan dalam neural network untuk memperbaiki kesalahan prediksi dengan cara menyesuaikan weights (bobot) dan bias.

   Secara sederhana, prosesnya seperti ini:

   Neural network membuat prediksi berdasarkan input.

   Prediksi dibandingkan dengan jawaban yang benar untuk mengetahui seberapa besar kesalahannya.

   Kesalahan tersebut dikirim kembali dari output menuju layer sebelumnya.

   Sistem menghitung bagaimana setiap weight berkontribusi terhadap kesalahan.

   Weights dan bias diperbarui agar kesalahan pada prediksi berikutnya menjadi lebih kecil.

4. 1. Dalam neural network, terdapat tiga jenis layer utama yang memiliki fungsi berbeda: 

   Input Layer

   Merupakan lapisan pertama yang menerima data masukan ke dalam neural network.

   Contoh: Jika AI mengenali gambar, input layer menerima data berupa nilai piksel gambar.

   Hidden Layer

   Merupakan lapisan di antara input dan output yang bertugas memproses dan mempelajari pola dari data. Neural network dapat memiliki satu atau banyak hidden layer.

   Contoh: Hidden layer dapat mempelajari pola seperti bentuk, warna, atau fitur tertentu pada gambar.

   Output Layer

   Merupakan lapisan terakhir yang menghasilkan hasil atau prediksi dari neural network.

   Contoh: Untuk mengenali gambar, output layer dapat menghasilkan prediksi “kucing” atau “anjing”.