Draw a simple diagram of a neuron and label its components (inputs, weights, bias, activation function).Status: Tercapai 100% Keterangan: Berikut adalah representasi diagram dari neuron buatan (Artificial Neuron) beserta komponen utamanya:
Inputs ($x_1, x_2, \dots$): Data mentah atau sinyal yang masuk ke dalam neuron dari luar atau dari neuron sebelumnya.
Weights ($w_1, w_2, \dots$): Bobot yang menentukan seberapa besar pengaruh atau kepentingan dari masing-masing input.
Bias ($b$): Parameter tambahan yang berfungsi untuk menggeser kurva fungsi aktivasi (mirip dengan konstanta intersep pada regresi linear), sehingga model memiliki fleksibilitas lebih tinggi.
Summation ($\Sigma$): Proses mengalikan setiap input dengan weight masing-masing, lalu menjumlahkan semuanya dan ditambah dengan bias.
Activation Function ($f$): Fungsi matematis yang menerima hasil penjumlahan (summation) untuk menentukan output akhir dari neuron tersebut (apakah sinyal akan diteruskan atau tidak).
What is the purpose of an activation function (like Sigmoid or ReLU)?
Status: Tercapai 100%
Keterangan: Tujuan utama dari fungsi aktivasi adalah untuk memperkenalkan non-linearitas ke dalam jaringan saraf (Neural Network). Tanpa adanya fungsi aktivasi, berapapun jumlah layer yang dimiliki oleh jaringan, outputnya hanya akan menjadi kombinasi linear matematika sederhana dari inputnya (seperti regresi linear biasa). Fungsi aktivasi seperti ReLU (Rectified Linear Unit) atau Sigmoid memungkinkan jaringan untuk memahami dan mempelajari pola data yang sangat kompleks, seperti gambar, teks, suara, dan data non-linear lainnya.
What is the difference between an input layer, a hidden layer, and an output layer?Status: Tercapai 100% Keterangan: Perbedaan ketiganya terletak pada posisi dan fungsinya di dalam struktur arsitektur Neural Network:
Input Layer: Lapisan pertama yang berfungsi murni sebagai pintu masuk. Lapisan ini hanya menerima data mentah dan meneruskannya ke lapisan berikutnya tanpa melakukan komputasi atau perhitungan apa pun.
Hidden Layer: Lapisan yang berada di antara input dan output. Di sinilah komputasi utama terjadi. Lapisan ini memproses data menggunakan kombinasi bobot, bias, dan fungsi aktivasi untuk mengekstraksi fitur dan mempelajari pola. Sebuah model bisa memiliki satu (Shallow Learning) atau banyak (Deep Learning) hidden layer.
Output Layer: Lapisan terakhir yang melakukan komputasi final untuk menghasilkan prediksi, klasifikasi, atau keputusan akhir dari keseluruhan jaringan saraf. Bentuknya disesuaikan dengan kebutuhan (contoh: 1 neuron untuk prediksi harga, atau banyak neuron untuk mengklasifikasikan jenis gambar).