Apa itu Neural Network?

Model komputasi terinspirasi otak manusia yang terdiri dari lapisan-lapisan neuron buatan, mampu mempelajari pola kompleks dari data melalui proses backpropagation.

Kapan Neural Network digunakan?

Klasifikasi gambar dan pengenalan wajah. Natural Language Processing dan chatbot. Prediksi time series dan anomali detection. Rekomendasi konten dan iklan. Diagnosis medis dari data citra (X-ray, MRI)

Apa kesalahpahaman umum tentang Neural Network?

Neural network tidak selalu membutuhkan jutaan data - dengan transfer learning atau data augmentation, model bisa dilatih dengan data terbatas. Neural network bukan black box sepenuhnya - teknik explainability seperti SHAP, LIME, dan Grad-CAM bisa membantu interpretasi. Lebih banyak layer tidak selalu lebih baik - model yang terlalu dalam bisa overfit dan sulit dilatih tanpa teknik regularisasi yang tepat

Neural Network: Pengertian, Cara Kerja, dan Implementasi

Neural Network (Jaringan Saraf Tiruan) adalah model machine learning yang terinspirasi dari struktur neuron biologis di otak manusia. Model ini terdiri dari node (neuron) yang saling terhubung dalam lapisan-lapisan.

Struktur Neural Network

1. Input Layer

Menerima data mentah (fitur numerik, embedding, dll)
Jumlah neuron = jumlah fitur input

2. Hidden Layer(s)

Lapisan tengah tempat transformasi nonlinear terjadi
Semakin banyak lapisan → semakin "deep" → Deep Learning
Setiap neuron menghitung: output = activation(weights · input + bias)

3. Output Layer

Menghasilkan prediksi akhir
Klasifikasi biner: 1 neuron dengan sigmoid
Klasifikasi multi-kelas: N neuron dengan softmax
Regresi: 1 neuron tanpa activation function

Fungsi Aktivasi

Fungsi	Formula	Digunakan di
ReLU	max(0, x)	Hidden layers (paling umum)
Sigmoid	1/(1+e^-x)	Output biner
Softmax	e^x / Σe^x	Output multi-kelas
Tanh	(e^x - e^-x)/(e^x + e^-x)	RNN hidden states

Backpropagation

Algoritma untuk mengupdate bobot (weights) jaringan:

Forward pass: hitung output dan loss
Backward pass: hitung gradient via chain rule
Update: kurangi bobot menggunakan gradient × learning rate

Struktur Neural Network

1. Input Layer

Menerima data mentah (fitur numerik, embedding, dll)

Jumlah neuron = jumlah fitur input

2. Hidden Layer(s)

Lapisan tengah tempat transformasi nonlinear terjadi

Semakin banyak lapisan → semakin "deep" → Deep Learning

Setiap neuron menghitung: output = activation(weights · input + bias)

3. Output Layer

Menghasilkan prediksi akhir

Klasifikasi biner: 1 neuron dengan sigmoid

Klasifikasi multi-kelas: N neuron dengan softmax

Regresi: 1 neuron tanpa activation function

Fungsi

Formula

Digunakan di

ReLU

max(0, x)

Hidden layers (paling umum)

Sigmoid

1/(1+e^-x)

Output biner

Softmax

e^x / Σe^x

Output multi-kelas

Tanh

(e^x - e^-x)/(e^x + e^-x)

RNN hidden states