Tantangan Jaringan Saraf Tiruan

Jelaskan konsep dasar dari jaringan saraf tiruan dan bagaimana cara kerjanya dalam konteks feedforward.

• Jaringan saraf tiruan tidak dapat digunakan untuk klasifikasi data.

• Jaringan saraf tiruan bekerja dengan meneruskan data dari lapisan input ke lapisan output melalui neuron-neuron dalam struktur feedforward.

• Jaringan saraf tiruan hanya terdiri dari satu lapisan.

• Data tidak diproses oleh neuron dalam jaringan saraf tiruan.

Apa yang dimaksud dengan fungsi aktivasi dalam jaringan saraf, dan sebutkan beberapa contoh fungsi aktivasi yang umum digunakan.

• 2. Polynomial Function

• Beberapa contoh fungsi aktivasi yang umum digunakan adalah: 1. Sigmoid, 2. ReLU (Rectified Linear Unit), 3. Tanh (Hyperbolic Tangent), 4. Softmax.

• 1. Linear Function

• 3. Exponential Function

Bagaimana cara menghitung output dari neuron dalam lapisan tersembunyi pada jaringan saraf feedforward?

• Output neuron dihitung dengan rumus: output = w1*x1 + w2*x2 + ... + wn*xn tanpa bias.

• Output neuron dihitung dengan menjumlahkan semua bobot tanpa aktivasi.

• Output neuron dihitung dengan rumus: output = aktivasi(w1*x1 + w2*x2 + ... + wn*xn + bias).

• Output neuron dihitung dengan rumus: output = w1 + w2 + ... + wn + bias.

Jelaskan proses backpropagation dan bagaimana ia digunakan untuk memperbarui bobot dalam jaringan saraf.

• Backpropagation mengubah struktur jaringan saraf secara acak tanpa memperhatikan error.

• Backpropagation hanya digunakan untuk menghitung output akhir dari jaringan saraf.

• Backpropagation adalah metode untuk menghapus bobot yang tidak diperlukan dalam jaringan saraf.

• Backpropagation adalah metode untuk menghitung gradien dan memperbarui bobot dalam jaringan saraf dengan menyebarkan error dari output ke input.

Apa perbedaan antara learning rate yang tinggi dan rendah dalam proses pelatihan jaringan saraf?

• Learning rate tinggi menyebabkan osilasi, sedangkan rendah membuat pelatihan lambat.

• Keduanya tidak mempengaruhi hasil akhir pelatihan.

• Learning rate tinggi mempercepat pelatihan secara konsisten.

• Learning rate rendah menyebabkan model overfitting.

Sebutkan dan jelaskan beberapa teknik untuk mencegah overfitting pada jaringan saraf.

• Beberapa teknik untuk mencegah overfitting pada jaringan saraf adalah: Regularisasi, Dropout, Data Augmentation, dan Early Stopping.

• Mengurangi jumlah data pelatihan

• Meningkatkan ukuran batch saat pelatihan

• Menggunakan lebih banyak neuron dalam setiap lapisan

Bagaimana cara mengimplementasikan dropout dalam kode Python untuk jaringan saraf?

• Gunakan layer Dropout dari Keras dengan menambahkan model.add(Dropout(0.5)) setelah layer Dense.

• Gunakan fungsi Dropout dari TensorFlow tanpa menambahkan layer.

• Tambahkan layer Dropout sebelum layer Dense dalam model.

• Implementasikan dropout dengan mengubah fungsi aktivasi menjadi ReLU.

Jelaskan peran dari bias dalam jaringan saraf dan bagaimana ia mempengaruhi output.

• Bias dalam jaringan saraf membantu menggeser fungsi aktivasi dan meningkatkan fleksibilitas model, mempengaruhi output dengan menyesuaikan nilai sebelum fungsi aktivasi.

• Bias berfungsi untuk meningkatkan jumlah neuron dalam jaringan.

• Bias hanya digunakan untuk mengurangi kompleksitas model.

• Bias tidak berpengaruh pada output jaringan saraf.

Apa itu gradient descent dan bagaimana cara kerjanya dalam konteks pelatihan jaringan saraf?

• Gradient descent is a type of activation function used in neural networks.

• Gradient descent is an optimization algorithm that minimizes the loss function in training neural networks by iteratively updating weights based on the gradient.

• Gradient descent is a method to increase the loss function in neural networks.

• Gradient descent is a technique for data normalization in machine learning.

Sebutkan langkah-langkah yang diperlukan untuk membangun jaringan saraf sederhana menggunakan library Python seperti TensorFlow atau PyTorch.

• 1. Import library, 2. Siapkan dataset, 3. Definisikan hyperparameter, 4. Lakukan prediksi tanpa evaluasi

• 1. Hapus dataset, 2. Definisikan fungsi loss, 3. Uji model tanpa pelatihan

• 1. Import library, 2. Siapkan dataset, 3. Definisikan arsitektur model, 4. Kompilasi model, 5. Latih model, 6. Evaluasi model, 7. Lakukan prediksi.

• 1. Import library, 2. Siapkan model, 3. Kompilasi dataset, 4. Evaluasi dataset