AI-BD107:Module Question 6/Rivaldo Marchelino-2681494492

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. Why are CNNs particularly well-suited for image transmission tasks compared to standard neural networks?

4. What is the difference between an input layer, a hidden layer, and an output layer?

Jawaban dibuat sesuai dengan 4 Standarisasi iDu yang terdiri dari Pertanyaan, Status, Keterangan, Bukti (berupa link iMe BisDi).

My answer;

1. 
   – Input ( X1,X2,X3 ) Data yang masuk ke neuron. Contohnya fitur seperti umur, tinggi, atau berat.
   
   – Bobot / Weight ( W1, W2, W3 ) Angka yang menentukan seberapa penting setiap input. Input dikalikan bobotnya, bobot besar berarti input itu berpengaruh besar.
   
   – Bias ( b ) Angka tambahan yang ditambahkan setelah semua input dijumlahkan. Bias membantu neuron menggeser keputusannya, jadi neuron tetap bisa aktif atau tidak aktif walaupun semua input bernilai nol.
   
   – Penjumlahan ( Σ ) Semua perkalian dijumlahkan dengan bias
   Z = ( W1 • X1 ) + ( W2 • X2 ) + ( W3 • X3 ) + b
   
   – Fungsi aktivasi f ( z ) Mengubah nilai z menjadi output akhir. Fungsi ini memberi sifat non-linear, sehingga jaringan bisa mempelajari pola yang rumit.
   
   – Output ( y ) Hasil akhir neuron, yaitu y = f ( z ). Output ini bisa menjadi input untuk neuron berikutnya.

2.  Tujuan utama fungsi aktivasi adalah memberi sifat non-linear pada neuron, sehingga jaringan saraf bisa mempelajari pola yang rumit
   
   ReLU ; f ( z ) = max ( 0, z )
   
   Contoh: f(-3) = 0, f(2,1) = 2,1.
   
   Kelebihannya sederhana, cepat dihitung, dan sangat umum dipakai di hidden layer. Kekurangannya, neuron bisa “mati” kalau terus-menerus menghasilkan 0.Sigmoid ; f(z) = 1 / (1 + e^(-z))
   
   Cocok untuk output klasifikasi dua kelas (misalnya spam atau bukan), karena hasilnya bisa dibaca sebagai probabilitas. Kekurangannya, pada nilai z yang sangat besar atau kecil, kurva jadi hampir datar sehingga proses belajar melambat (masalah vanishing gradient).
3. Backpropagation adalah cara jaringan saraf mencari tahu bobot mana yang salah dan seberapa besar koreksinya, dengan menelusuri error dari output mundur ke input. Hasilnya, model bisa memperbaiki dirinya sedikit demi sedikit sampai tebakannya akurat.
   
4. – Input layer menerima data tanpa menghitung.
   
   – Hidden layer memproses data dan mempelajari pola, dan jumlahnya bisa diatur.
   
   – Output layer mengubah hasil pemrosesan menjadi jawaban akhir yang sesuai dengan tugas