BAB 10 : Neural Networks & AI Modern

 

A. DASAR TEORI

1. Konsep Dasar Jaringan Saraf Tiruan (Artificial Neural Network – ANN)

a) Inspirasi dari Cara Kerja Otak Manusia:
ANN dibuat meniru cara sel-sel saraf dalam otak menerima, mengolah, dan mengirimkan sinyal. Setiap unit pada ANN mengolah input tertentu lalu menghasilkan output. Berbeda dengan sistem komputasi tradisional yang berbasis logika matematika, ANN bekerja menyerupai proses biologis.

b) Struktur ANN: Input – Hidden – Output:
ANN tersusun atas tiga lapisan utama: lapisan input, lapisan tersembunyi (hidden), dan lapisan output. Data pertama kali masuk ke lapisan input, diproses melalui lapisan hidden menggunakan bobot dan fungsi aktivasi, lalu menghasilkan output sebagai nilai prediksi. Nilai output umumnya berada antara 0 dan 1 (probabilitas).

c) Fungsi Aktivasi dalam ANN:
Fungsi aktivasi seperti sigmoid, ReLU, dan softmax berperan untuk menambahkan sifat non-linear ke dalam jaringan. Fungsi ini menentukan kapan neuron aktif dan memungkinkan ANN mempelajari pola data yang kompleks.

d) Proses Training: Forward dan Backpropagation:
ANN belajar melalui dua proses utama: forward propagation (membuat prediksi) dan backpropagation (memperbarui bobot berdasarkan error). Kedua proses ini terus berulang selama pelatihan, sehingga model dapat meminimalkan kesalahan dan meningkatkan akurasi.

2. Pengenalan Deep Learning

a) Perbedaan Machine Learning Tradisional dan Deep Learning:
Machine Learning konvensional membutuhkan proses ekstraksi fitur secara manual, sedangkan Deep Learning mampu mempelajari fitur secara otomatis dari data berukuran besar melalui banyak lapisan tersembunyi.

b) Mengapa Deep Learning Populer:
Deep Learning semakin banyak digunakan karena performanya yang tinggi, dukungan GPU yang kuat, serta ketersediaan berbagai framework open-source seperti TensorFlow dan Keras.

c) Framework yang Umum Digunakan:
TensorFlow dan Keras merupakan alat utama untuk membangun model Deep Learning karena fleksibel dan mudah diterapkan, terutama dalam lingkungan penelitian dan industri modern.

3. Natural Language Processing (NLP)

a) Pengertian NLP:
NLP adalah cabang AI yang memungkinkan komputer memahami dan mengolah bahasa manusia, mulai dari teks hingga percakapan.

b) Penerapan NLP dalam Kehidupan Nyata:
Contohnya berupa chatbots, analisis teks, sistem penerjemah, atau asisten virtual. NLP membantu memahami konteks, makna kalimat, hingga sentimen pengguna.

c) Tantangan dalam NLP:
Kesulitan utama meliputi variasi bahasa, ambiguitas konteks, gaya bicara, dan campuran bahasa yang sering muncul dalam percakapan sehari-hari, sehingga model perlu dilatih dengan data yang beragam.

B. Praktikum & Tugas