Module Question 6
- 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?
Jawaban dibuat sesuai dengan 4 Standarisasi iDu yang terdiri dari Pertanyaan, Status, Keterangan, Bukti (berupa link iMe BisDi).
JAWABAN
- Diagram sederhana neuron & komponennya.
-
Input ($x$): Data mentah yang masuk ke dalam neuron (misalnya $x_1, x_2$).
-
Weights ($w$): Bobot atau tingkat kepentingan dari setiap data input.
-
Bias: Nilai tambahan untuk menggeser garis fungsi agar model lebih akurat.
-
Activation Function: Rumus matematika di akhir untuk menentukan apakah neuron tersebut harus aktif atau tidak (meneruskan sinyal ke layer berikutnya).
(Bayangkan alurnya: Data masuk $\rightarrow$ dikali bobot dan ditambah bias $\rightarrow$ diproses lewat fungsi aktivasi $\rightarrow$ keluar hasil).
2. & 3. Tujuan Fungsi aktivitas (seperti sigmoid arau RelLU) ?
(Catatan: Di soal modulmu nomor 2 dan 3 pertanyaannya sama)
-
Tujuan utama: Memberikan sifat non-linear pada jaringan saraf tiruan.
-
Kalau tidak ada fungsi aktivasi, jaringan saraf hanya bisa menghitung garis lurus (linear) biasa. Padahal, masalah di dunia nyata itu sangat kompleks dan melengkung-lengkung. Fungsi aktivasi inilah yang bikin model pintar mengenali pola rumit tersebut.
4. Perbedaan input layer, hidden layer, dan output layer ?
-
Input Layer: Lapisan paling awal yang berfungsi menerima data mentah dari luar (misalnya piksel gambar atau angka).
-
Hidden Layer: Lapisan di tengah yang tugasnya “berpikir” dan mengekstrak pola-pola tersembunyi dari data input.
-
Output Layer: Lapisan terakhir yang bertugas memberikan keputusan, tebakan, atau hasil prediksi akhir dari model.