1. Jelaskan apa yang dimaksud dengan jaringan syaraf tiruan (JST). Apa prinsip dasar yang mendasari cara kerja jaringan syaraf tiruan?
Jawab : Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network (ANN) adalah model komputasi yang terinspirasi oleh struktur dan fungsi otak manusia. JST dirancang untuk memproses informasi seperti otak biologis, dengan menggunakan sejumlah unit pemrosesan kecil yang disebut neuron.
Prinsip dasar kerja jaringan syaraf tiruan :
1. struktur Berlapis
JST biasanya terdiri dari tiga jenis lapisan:
-Lapisan Input: Menerima data masukan (input).
-Lapisan Tersembunyi (Hidden Layer): Melakukan pemrosesan dengan menerapkan bobot dan fungsi aktivasi.
-Lapisan Output: Menghasilkan hasil akhir dari pemrosesan jaringan.
2. Neuron dan Bobot
Setiap neuron memiliki bobot (weight) yang menunjukkan kekuatan hubungan antara neuron. Data yang masuk ke neuron akan dikalikan dengan bobot, dijumlahkan, lalu diteruskan melalui fungsi aktivasi
3. Fungsi Aktivasi
Fungsi aktivasi digunakan untuk menentukan keluaran neuron. Fungsi ini membantu jaringan belajar pola yang kompleks dan memperkenalkan non-linearitas. Contoh fungsi aktivasi: sigmoid, ReLU (Rectified Linear Unit), dan tanh.
4. roses Belajar (Training)
JST dilatih menggunakan algoritma tertentu, seperti backpropagation, untuk meminimalkan kesalahan keluaran. Proses ini melibatkan:
-Feedforward: Data mengalir dari lapisan input ke lapisan output.
-Backpropagation: Koreksi bobot dilakukan dengan menghitung gradien dari fungsi kerugian (loss function) menggunakan optimasi seperti gradient descent.
5. GeneralisasiSetelah dilatih, JST dapat memprediksi data baru yang belum pernah dilihat sebelumnya, yang dikenal sebagai kemampuan generalisasi.
6. Iterasi dan Konvergensi
Proses pelatihan dilakukan berulang-ulang (iterasi) hingga jaringan mencapai tingkat kesalahan minimum atau mencapai hasil yang diinginkan.
2. Jelaskan komponen dasar yang membentuk jaringan syaraf tiruan, seperti neuron, lapisan input, lapisan tersembunyi (hidden layer), dan lapisan output.
Jawab :
1. Neuron 
Neuron adalah unit dasar dalam JST, terinspirasi oleh neuron biologis. Setiap neuron menerima masukan (input), mengolahnya, dan menghasilkan keluaran (output).
-Input: Neuron menerima data berupa nilai numerik, baik dari data awal maupun dari neuron lain.
-Bobot (Weight): Setiap masukan dikalikan dengan bobot tertentu yang mencerminkan pentingnya masukan tersebut.
-Fungsi Aktivasi: Hasil dari operasi matematis (penjumlahan bobot × input) diteruskan ke fungsi aktivasi untuk menghasilkan keluaran. Fungsi aktivasi memperkenalkan non-linearitas ke dalam sistem.
-Output: Nilai akhir yang dihasilkan oleh neuron dikirimkan ke neuron berikutnya atau ke lapisan output.
2. Lapisan Input
-Fungsi: Lapisan input adalah pintu masuk data ke jaringan syaraf tiruan.
-Komposisi: Setiap neuron pada lapisan ini mewakili satu fitur dari data input.
-Tidak ada pemrosesan: Neuron di lapisan input hanya meneruskan data ke lapisan tersembunyi tanpa melakukan operasi.
3. Lapisan Tersembunyi
-Fungsi: Melakukan pemrosesan utama untuk menemukan pola kompleks dalam data.
-Komposisi:
Terdiri dari satu atau lebih lapisan dengan sejumlah neuron.
Setiap neuron di lapisan tersembunyi terhubung dengan neuron di lapisan sebelumnya (fully connected).
-Peran:
Setiap neuron menghitung kombinasi linear dari inputnya (hasil dari lapisan sebelumnya) dan menerapkannya pada fungsi aktivasi.
Lapisan tersembunyi membantu jaringan belajar pola non-linear dalam data.
-Jumlah lapisan tersembunyi: Semakin banyak lapisan tersembunyi (deep neural network), semakin kompleks pola yang dapat dipelajari jaringan.
4. Lapisan Output
-Fungsi: Menghasilkan keluaran akhir berdasarkan hasil pemrosesan jaringan.
-Komposisi:
Jumlah neuron di lapisan output bergantung pada jenis masalah yang dipecahkan:
Klasifikasi biner: Satu neuron dengan keluaran 0 atau 1.
Klasifikasi multi-kelas: Satu neuron per kelas, dengan nilai yang menunjukkan probabilitas setiap kelas (softmax sering digunakan).
Regresi: Satu neuron yang menghasilkan nilai numerik kontinu.Keluaran: Nilai dari lapisan output digunakan untuk pengambilan keputusan, seperti menentukan kelas dalam klasifikasi atau menghasilkan prediksi dalam regresi.