Artificial Intelligence 26/27 – BD107

Module Question 6

1. Draw a simple diagram of a neuron and label its components (inputs, weights, bias, activation function).

Status: Done

Keterangan:

Berikut merupakan diagram sederhana dari neuron dalam Artificial Neural Network (ANN):

Input (x1) ── Weight (w1) ──┐
Input (x2) ── Weight (w2) ──┤
Input (x3) ── Weight (w3) ──┤
                            ▼
                       Σ + Bias (b)
                            │
                            ▼
                    Activation Function
                            │
                            ▼
                         Output

Penjelasan setiap komponennya:

• Inputs: Data atau informasi yang dimasukkan ke dalam neuron untuk diproses, seperti angka, gambar, atau informasi lainnya.

• Weights: Nilai bobot yang menentukan seberapa besar pengaruh setiap input terhadap hasil perhitungan neuron.

• Bias: Nilai tambahan yang membantu menyesuaikan hasil perhitungan agar neuron dapat menghasilkan output yang lebih fleksibel.

• Activation Function: Fungsi yang mengolah hasil perhitungan neuron untuk menentukan output yang akan dihasilkan.

2. What is the purpose of an activation function (like Sigmoid or ReLU)?

Status: Done

Keterangan:

Activation function berfungsi untuk menentukan output dari suatu neuron berdasarkan hasil perhitungan yang diterima. Fungsi ini juga berperan penting dalam membantu neural network mempelajari pola dan hubungan yang lebih kompleks dalam data.

Contohnya, Sigmoid menghasilkan nilai antara 0 sampai 1 sehingga sering digunakan untuk klasifikasi dengan dua kemungkinan hasil. Sementara itu, ReLU (Rectified Linear Unit) mengubah nilai negatif menjadi 0 dan mempertahankan nilai positif. ReLU banyak digunakan karena perhitungannya sederhana dan dapat membantu proses pelatihan neural network menjadi lebih efisien.

3. What is the purpose of an activation function (like Sigmoid or ReLU)?

Status: Done

Keterangan:

Selain menentukan output neuron, activation function juga membantu jaringan saraf tiruan mengenali pola yang tidak sederhana. Tanpa activation function, neural network hanya akan melakukan perhitungan linear sehingga kemampuannya dalam mempelajari hubungan yang kompleks menjadi terbatas.

Sebagai contoh, ketika digunakan untuk mengenali gambar kucing dan anjing, activation function membantu sistem mempelajari berbagai karakteristik gambar, seperti bentuk, pola, dan fitur lainnya. Dengan begitu, sistem dapat menghasilkan prediksi yang lebih sesuai berdasarkan data yang telah dipelajari.

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

Status: Done

Keterangan:

Dalam neural network terdapat tiga jenis lapisan utama yang memiliki fungsi berbeda, yaitu:

• Input Layer: Merupakan lapisan pertama yang bertugas menerima data atau informasi dari luar untuk diproses oleh jaringan saraf tiruan. Contohnya, ketika sistem mengenali gambar, input layer akan menerima data berupa nilai piksel dari gambar tersebut.

• Hidden Layer: Merupakan lapisan yang berada di antara input layer dan output layer. Lapisan ini berfungsi mengolah informasi, menemukan pola, serta mempelajari hubungan antar-data melalui proses perhitungan menggunakan weights, bias, dan activation function.

• Output Layer: Merupakan lapisan terakhir yang menghasilkan hasil dari seluruh proses pengolahan data. Hasilnya dapat berupa prediksi, klasifikasi, atau keputusan tertentu sesuai dengan tujuan sistem.

Jadi, input layer berfungsi menerima data, hidden layer bertugas memproses dan mempelajari pola, sedangkan output layer menghasilkan jawaban atau prediksi akhir. Ketiga lapisan tersebut saling bekerja sama agar neural network dapat mengolah data dengan baik dan menghasilkan output sesuai dengan tujuan yang diinginkan.