Jaringan Saraf Umpan Maju

Jaringan saraf umpan maju adalah jenis jaringan saraf tiruan yang paling sederhana. Dalam arsitektur ini, data mengalir dalam satu arah, dari lapisan masukan ke lapisan keluaran, tanpa berputar kembali.

Struktur Jaringan Saraf Umpan Maju

Jaringan umpan maju terdiri dari:

• Lapisan Masukan: Menerima data mentah.
• Lapisan Tersembunyi: Melakukan perhitungan dan mengekstrak fitur.
• Lapisan Keluaran: Menghasilkan hasil akhir.

Setiap lapisan terhubung sepenuhnya ke lapisan berikutnya.

Propagasi Maju

Propagasi maju adalah proses meneruskan data melalui jaringan:

1. Masukan dikalikan dengan bobot, lalu ditambahkan ke bias.
2. Fungsi aktivasi diterapkan untuk memperkenalkan sifat nonlinier.
3. Keluaran dihitung dan diteruskan ke lapisan berikutnya.

Membangun Jaringan Umpan Maju Sederhana

Mari kita membuat jaringan umpan maju sederhana menggunakan Python. Jaringan ini memiliki:

• 2 neuron masukan
• 1 lapisan tersembunyi dengan 3 neuron
• 1 neuron keluaran

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

Melatih Jaringan Saraf Umpan Maju

Pelatihan mencakup penyesuaian bobot dan bias untuk meminimalkan galat:

1. Hitung galat (perbedaan antara nilai prediksi dan nilai sebenarnya).
2. Gunakan algoritme pengoptimalan seperti penurunan gradien untuk memperbarui bobot.
3. Ulangi proses tersebut selama beberapa iterasi (putaran pelatihan).

Kelebihan Jaringan Umpan Maju

Jaringan umpan maju memiliki karakteristik berikut:

• Sederhana dan mudah diterapkan.
• Efektif untuk tugas seperti regresi dan klasifikasi dasar.
• Efisien secara komputasi untuk kumpulan data kecil.

Keterbatasan Jaringan Umpan Maju

Jaringan umpan maju memiliki beberapa kekurangan:

• Tidak memiliki memori untuk data berurutan.
• Rentan mengalami penyesuaian berlebihan jika data pelatihannya sedikit.
• Memerlukan penyetelan hiperparameter secara cermat, seperti laju pembelajaran.

Penerapan di Dunia Nyata

Jaringan umpan maju digunakan dalam:

• Diagnosis Medis: Memprediksi penyakit berdasarkan gejala.
• Deteksi Penipuan: Mengidentifikasi aktivitas mencurigakan dalam transaksi keuangan.
• Prediksi Harga Saham: Memperkirakan nilai saham di masa depan.

Ringkasan dan Langkah Berikutnya

Dalam pelajaran ini, kita:

• Mempelajari struktur dan cara kerja jaringan saraf umpan maju.
• Membangun jaringan umpan maju sederhana menggunakan Python.
• Membahas kelebihan dan keterbatasan arsitektur ini.

Selanjutnya, kita akan mempelajari algoritme propagasi balik, yang memungkinkan jaringan saraf belajar secara efektif dengan mengoptimalkan bobot dan bias.