WorksheetsSingle-layer NN
Total questions: 15
Worksheet time: 5mins
Karakteristik utama Single Layer Neural Network adalah
Memiliki multiple hidden layer
Hanya terdiri dari input layer dan output layer
Menggunakan fungsi aktivasi ReLU secara default
Dapat menyelesaikan masalah XOR
Jika output Perceptron = 0.6 dengan threshold 0.5, dapat diprediksi kelas ..
0
1
error
Tidak dapat ditentukan
Normalisasi data sebelum training Perceptron bertujuan untuk
Mencegah dominasi fitur skala besar
Menambah hidden layer virtual
Mengubah masalah non-linear jadi linear
Mengganti fungsi aktivasi
Mengapa fungsi aktivasi penting dalam Single Layer Neural Network (SLNN) ?
memungkinkan model untuk menyesuaikan bobot
menambahkan elemen non-linear agar SLNN bisa menyelesaikan semua jenis masalah
membantu dalam proses propagasi ke lapisan-lapisan berikutnya
mengubah output linear dari neuron menjadi bentuk yang dapat digunakan untuk klasifikasi
Jika output Perceptron = 0.6 dengan threshold 0.7, dapat diprediksi kelas ..
0
1
error
Tidak dapat ditentukan
Apa peran utama dari bobot (weights) dalam Single Layer Neural Network ?
Menyimpan hasil akhir dari prediksi
Mengontrol jumlah neuron pada output layer
Menentukan pengaruh masing-masing input terhadap output
Mengatur laju pembelajaran jaringan
Weight adalah penduga dalam Neural Network
Salah
Benar
Single Layer Neural Network hanya bisa menyelesaikan data dengan 2 kategori
Benar
Salah
Jika data fitur yang dimiliki terdiri dari kategorik (misal Tingkat Pendidikan SD, SMP, SMA) maka data tidak perlu ditransformasi
Benar
Salah
Diberikan Perceptron dengan:
· Bobot: w=[0.5,−0.3]
· Bias: b=0.1
· Input: x=[1,0.5]
· Fungsi aktivasi: Step function (threshold = 0)
Hitung output Perceptron dan prediksi kelas akhirnya (0 atau 1)
Nilai percepton 0,5 di prediksi kelas 1
Nilai percepton 0,45 di prediksi kelas 1
Nilai percepton 0,5 di prediksi kelas 0
Nilai percepton 0,45 di prediksi kelas 0
Diberikan Perceptron dengan bobot akhir:
· w=[1.2,−0.8]
· b=−0.5
Tentukan persamaan garis decision boundary!
12x1 + 8x2 = 5
1,2x1 − 0,5x2 = 0,8
12x1 − 8x2 = 5
1,2x1 + 0,5x2 = 0,8
Sebuah perusahaan transportasi ingin memprediksi tarif dasar pengiriman barang berdasarkan jenis kendaraan yang digunakan (motor, mobil, truk) dan jenis layanan (reguler, ekspres). Digunakan Single Layer Neural Network untuk membuat model prediksi dengan dilakukan transformasi one-hot encoding pada variabel kategorik dan melatih model dengan data historis tarif pengiriman.
Berdasarkan kasus di atas, manakah alasan paling logis penggunaan Single Layer Neural Network dalam situasi ini
SLNN cocok digunakan untuk semua bentuk data, baik linear maupun non-linear
SLNN dapat memproses data gambar dan teks tanpa preprocessing tambahan
Hubungan antara jenis kendaraan, jenis layanan, dan tarif dapat diperkirakan secara linear
SLNN memiliki kemampuan lebih tinggi daripada deep neural network dalam memodelkan data kompleks
Sebuah aplikasi kesehatan menggunakan Single Layer Neural Network untuk merekomendasikan kalori harian yang dibutuhkan pengguna berdasarkan input:
· Jenis kelamin (L/P)
· Rentang usia (remaja, dewasa, lansia)
· Tingkat aktivitas (rendah, sedang, tinggi)
Aplikasi ini mengubah input kategori ke bentuk numerik lalu memberikan output berupa angka kalori yang direkomendasikan.
Pertanyaan:
Mengapa pendekatan SLNN bisa diterapkan pada aplikasi ini
semua jenis masalah klasifikasi hanya dapat diselesaikan oleh SLNN
output yang bersifat numerik dan hubungan antara input-output dapat diperkirakan linier
SLNN tidak membutuhkan data latih untuk menghasilkan output
SLNN dapat bekerja tanpa mengubah input kategorik menjadi numerik
Sebuah klinik menggunakan Single Layer Neural Network untuk memberikan rekomendasi jenis obat berdasarkan gejala-gejala pasien (demam, batuk, nyeri, dll), yang diinput dalam bentuk kategori.
Pernyataan:
SLNN cocok untuk memetakan gejala ke rekomendasi obat, karena hubungan antara gejala dan obat pasti bersifat linear dan sederhana.
Benar
Salah
Single Layer Neural Network selalu membutuhkan lebih dari satu hidden layer agar bisa melakukan klasifikasi
Benar
Salah
