1. Penjelasan tentang Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST) adalah sistem komputasi yang terinspirasi oleh cara kerja otak manusia dalam memproses informasi. JST dirancang untuk meniru struktur dan fungsi jaringan saraf biologis. Teknologi ini digunakan untuk menyelesaikan berbagai masalah, seperti pengenalan pola, klasifikasi, prediksi, dan pengambilan keputusan.
Prinsip Dasar Cara Kerja JST:
JST terdiri dari unit-unit pemrosesan kecil yang disebut neuron buatan.
Informasi dalam JST diproses melalui hubungan antar-neuron dalam beberapa lapisan.
Setiap neuron menerima input, menerapkan bobot pada input tersebut, menambahkan bias, dan menggunakan fungsi aktivasi untuk menghasilkan output.
JST "belajar" dengan menyesuaikan bobot dan bias menggunakan algoritma pembelajaran, seperti backpropagation.
Proses ini memungkinkan JST untuk mengenali pola, membuat generalisasi, dan memberikan output yang relevan berdasarkan data input.
2. Komponen Dasar Jaringan Syaraf Tiruan
Neuron Buatan:
Merupakan unit pemrosesan dasar dalam JST.
Fungsi utama neuron adalah menerima input, menghitung bobot, menambahkan bias, dan menghasilkan output menggunakan fungsi aktivasi.
2.Lapisan Input:
Merupakan lapisan pertama yang menerima data dari luar.
Setiap neuron dalam lapisan ini mewakili satu fitur dari data input.
Tidak ada pemrosesan atau fungsi aktivasi dalam lapisan ini; hanya meneruskan data ke lapisan berikutnya.
3 Lapisan Tersembunyi (Hidden Layer):
Lapisan di antara lapisan input dan lapisan output.
Bertugas memproses informasi yang diterima dari lapisan input.
Fungsi utama lapisan tersembunyi adalah menemukan pola atau hubungan kompleks dalam data.
Semakin banyak lapisan tersembunyi, semakin kompleks model yang dapat dibuat (sering disebut deep learning jika lapisannya banyak).
4. Lapisan Output:
Lapisan terakhir yang memberikan hasil akhir dari JST.
Jumlah neuron dalam lapisan output bergantung pada jumlah kelas (untuk klasifikasi) atau jumlah nilai yang ingin diprediksi (untuk regresi).
Fungsi aktivasi pada lapisan ini biasanya disesuaikan dengan jenis tugas, seperti fungsi softmax untuk klasifikasi atau linear untuk regresi.