Jaringan Saraf Umpan Maju

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 mengalir kembali.

Jaringan umpan maju terdiri atas:

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

Setiap lapisan terhubung penuh ke lapisan berikutnya.

Propagasi maju adalah proses meneruskan data melalui jaringan:

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

Mari kita buat 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)

Pelatihan melibatkan penyesuaian bobot dan bias untuk meminimalkan galat:

1. Hitung galat (perbedaan antara nilai prediksi dan nilai sebenarnya).
2. Gunakan algoritma optimasi seperti penurunan gradien untuk memperbarui bobot.
3. Ulangi proses tersebut selama beberapa iterasi (epoch).

Jaringan umpan maju bersifat:

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

Jaringan umpan maju memiliki beberapa kekurangan:

• Tidak memiliki memori untuk data berurutan.
• Cenderung terlalu menyesuaikan diri dengan data pelatihan yang sedikit.
• Memerlukan penyetelan hiperparameter secara cermat, seperti laju pembelajaran.

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.

Dalam pelajaran ini, kita:

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

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