Pengantar Jaringan Saraf

Jaringan saraf adalah bagian dari algoritme pembelajaran mesin yang terinspirasi oleh struktur dan cara kerja otak manusia. Jaringan ini merupakan alat yang ampuh untuk tugas seperti pengenalan gambar, pemrosesan bahasa alami, dan banyak lagi.

Dalam pelajaran ini, Anda akan mempelajari dasar-dasar jaringan saraf dan cara kerjanya.

Apa Itu Jaringan Saraf?

Jaringan saraf tersusun atas lapisan simpul yang saling terhubung (neuron). Setiap neuron memproses data masukan dan meneruskannya ke lapisan berikutnya. Komponen utamanya meliputi:

• Lapisan Masukan: Menerima data masukan.
• Lapisan Tersembunyi: Melakukan perhitungan pada data.
• Lapisan Keluaran: Menghasilkan hasil akhir.

Fungsi Aktivasi

Fungsi aktivasi memperkenalkan nonlinieritas ke dalam jaringan sehingga jaringan dapat mempelajari pola yang kompleks. Fungsi aktivasi yang umum meliputi:

• ReLU: Unit Linear Terkoreksi, mengeluarkan masukan secara langsung jika nilainya positif; jika tidak, keluarannya 0.
• Sigmoid: Mengubah nilai masukan menjadi probabilitas (0 hingga 1).
• Tanh: Menskalakan masukan ke rentang -1 hingga 1.

Propagasi Maju

Propagasi maju adalah proses meneruskan data masukan melalui lapisan-lapisan jaringan untuk menghasilkan keluaran.

# Example: Forward Propagation
import numpy as np

# Weights and biases
weights = np.array([0.5, 0.3])
bias = 0.1

# Input data
inputs = np.array([1.0, 2.0])

# Output
output = np.dot(weights, inputs) + bias
print("Output:", output)

Fungsi Kerugian

Fungsi kerugian mengukur perbedaan antara nilai prediksi dan nilai sebenarnya. Fungsi kerugian yang umum meliputi:

• Galat Kuadrat Rata-Rata: Untuk tugas regresi.
• Kerugian Entropi Silang: Untuk tugas klasifikasi.

Propagasi Mundur

Propagasi mundur adalah proses menyesuaikan bobot dan bias dalam jaringan berdasarkan kerugian, menggunakan algoritme pengoptimalan seperti penurunan gradien.

Penurunan Gradien

Penurunan gradien adalah algoritme pengoptimalan yang meminimalkan fungsi kerugian dengan menyesuaikan bobot dan bias:

# Example: Gradient Descent
weights = 0.5
bias = 0.1
learning_rate = 0.01
loss_gradient = 0.2

# Update weights and bias
weights -= learning_rate * loss_gradient
bias -= learning_rate * loss_gradient
print("Updated weights:", weights)
print("Updated bias:", bias)

Penerapan Jaringan Saraf

Jaringan saraf digunakan dalam:

• Pengenalan Gambar: Mengklasifikasikan objek dalam gambar.
• Pemrosesan Bahasa Alami: Memahami dan menghasilkan teks.
• Pengenalan Ucapan: Mengubah ucapan menjadi teks.

Kesalahan Umum dalam Jaringan Saraf

Berikut beberapa kesalahan yang perlu dihindari:

• Menggunakan jumlah lapisan tersembunyi yang tidak memadai untuk masalah yang kompleks.
• Tidak menormalisasi data masukan.
• Memilih fungsi aktivasi yang tidak sesuai untuk tugas tersebut.

Apa yang Telah Kita Pelajari?

Dalam pelajaran ini, Anda telah mempelajari:

• Struktur dan komponen jaringan saraf.
• Peran fungsi aktivasi, fungsi kerugian, dan algoritme pengoptimalan.
• Cara kerja propagasi maju dan propagasi mundur.
• Penerapan dan kesalahan umum dalam menggunakan jaringan saraf.

Kerja bagus! Mari lanjut ke topik berikutnya.