Jaringan Syaraf Tiruan [1] : Konsep Dasar JST

Summary

This video introduces the concept of artificial neural networks (ANN), comparing them to biological neural networks in the human brain. It explains the structure of neurons, including dendrites, cell bodies, and axons, and how they process information. The video highlights the key components of ANNs, such as inputs, weights, and activation functions, and outlines the learning paradigms: supervised and unsupervised learning. The discussion covers different neural network architectures, including single-layer, multi-layer, and competitive networks, and their applications in fields like weather prediction and biometric identification.

Takeaways

• 🧠 Artificial neural networks (ANN) are inspired by biological neural networks found in the human brain.
• 🔗 Neurons in the brain process information through interconnected cells, leading to decision-making based on inputs and outputs.
• ⚙️ ANN structure consists of components such as dendrites (input), soma (processing unit), axons (output), and synapses (connections).
• 🎯 The goal of ANN is to mimic the functioning of biological neural networks by learning from data and experiences.
• 📊 The mathematical model of ANN involves inputs, weights, activation functions, and outputs, where inputs are processed through layers of neurons.
• 🔍 Activation functions play a key role in determining the output by processing the weighted sum of inputs.
• 💡 ANN can be categorized into single-layer (input and output) and multi-layer networks (with hidden layers for complex problems).
• 🎯 ANN's architecture defines how neurons are connected, and its learning process can be supervised or unsupervised.
• 🏆 Supervised learning involves labeled data for training, whereas unsupervised learning allows the network to categorize data based on features.
• 🔄 The ability of ANN to learn from data enables it to solve complex tasks, such as image recognition, weather prediction, and face unlocking.

Q & A

What is an artificial neural network (ANN) and how is it analogous to a biological neural network?

An artificial neural network (ANN) is a computational model inspired by the way biological neural networks function, such as those in the human brain. In a biological network, neurons process and transmit information, while in an ANN, artificial neurons, also called nodes, interact to process inputs and produce outputs, simulating the decision-making processes of the brain.

What are the main components of a biological neuron that are mirrored in an artificial neural network?

The main components of a biological neuron mirrored in an ANN are the dendrites (input pathways), the soma or cell body (processing unit), and the axon (output pathway). In an ANN, input nodes correspond to dendrites, the processing occurs in hidden layers akin to the soma, and the axon is represented by the output nodes that transmit the final result.

How does an ANN process information through its layers?

An ANN processes information through several layers: input, hidden, and output layers. The input layer receives data, the hidden layers process it through weighted connections and activation functions, and the output layer generates the result based on the processed information. The model learns to adjust the weights based on training data to improve performance.

What role does the activation function play in an artificial neural network?

The activation function in an ANN determines whether a neuron should be activated or not, based on the weighted sum of the inputs. It introduces non-linearity to the model, allowing it to learn and model complex patterns. Common activation functions include the sigmoid, tanh, and ReLU (Rectified Linear Unit).

What is a single-layer neural network, and how does it differ from a multi-layer network?

A single-layer neural network consists of one layer of input nodes directly connected to output nodes without any hidden layers in between. In contrast, a multi-layer neural network has one or more hidden layers between the input and output, allowing it to solve more complex problems by learning deeper representations of the data.

What are the two main types of learning paradigms in neural networks?

The two main types of learning paradigms in neural networks are supervised learning and unsupervised learning. In supervised learning, the network is trained on labeled data, meaning the output is known beforehand. In unsupervised learning, the network tries to identify patterns and structure in data without labeled outputs.

How does supervised learning differ from unsupervised learning in ANNs?

In supervised learning, the ANN is trained with input-output pairs, where the correct output is provided, and the network learns by comparing its predictions to the actual values. In unsupervised learning, the ANN is not provided with labeled outputs and instead identifies patterns or groupings within the data on its own.

What is a competitive neural network, and how does it function?

A competitive neural network is a type of ANN where neurons compete with each other to be the most active, with only one neuron or a subset of neurons 'winning' the competition to produce the output. This network is useful for tasks like clustering, where input data is grouped based on similarity.

What is a threshold function, and how does it work in a neural network?

A threshold function, also known as a step function, is an activation function that outputs a binary signal—either 0 or 1—depending on whether the input surpasses a certain threshold. This function is used to create binary decisions in a neural network.

What are some real-world applications of artificial neural networks?

Some real-world applications of ANNs include facial recognition systems, fingerprint-based attendance systems, weather prediction, and natural language processing. ANNs can also be used in various industries for tasks such as classification, forecasting, and decision-making.

Outlines

00:00

🧠 Introduction to Artificial Neural Networks

This paragraph introduces the concept of artificial neural networks (ANNs) by drawing an analogy with biological neural networks in the human brain. It explains that ANNs mimic the structure and function of biological neurons, which are responsible for processing information. The components of a biological neuron, such as the dendrites, soma, and axon, are described, along with their functions. The paragraph also discusses how ANNs are designed to process information through interconnected neurons, using input and output functions. It introduces the concept of activation functions and their role in determining the output of a neuron based on its inputs. The explanation concludes with a basic mathematical model of an ANN, highlighting the importance of weights and the activation function in producing the output.

05:00

🌐 Characteristics and Architecture of Neural Networks

The second paragraph delves into the characteristics and architecture of neural networks. It emphasizes the ability of ANNs to learn from experience, similar to how the human brain recognizes objects. The discussion then moves on to the different types of neural network architectures: single-layer networks, multi-layer networks, and competitive networks. Single-layer networks are straightforward, with direct connections between input and output layers. Multi-layer networks, on the other hand, have one or more hidden layers between the input and output, allowing them to solve more complex problems. Competitive networks are described as having neurons that compete with each other to become fully active. The paragraph also touches on the importance of architecture, weights determined through training, and activation functions in defining the characteristics of ANNs.

10:01

📚 Learning Paradigms in Neural Networks

This paragraph focuses on the learning paradigms in ANNs, which are categorized into supervised and unsupervised learning. Supervised learning involves teaching the network to associate inputs with desired outputs, using examples such as the backpropagation algorithm. Unsupervised learning, in contrast, does not require pre-labeled outputs; instead, the network is left to discover patterns in the data on its own. The paragraph uses the example of classifying fruits into different categories to illustrate supervised learning, where the network is taught to recognize specific features of each fruit type. Unsupervised learning is likened to allowing the network to group similar items together without prior knowledge of their categories. The paragraph also mentions that there are different types of learning, such as Hebbian learning and competitive learning.

15:02

🔄 Activation Functions and Applications of Neural Networks

The final paragraph discusses various activation functions used in ANNs, which determine the output of a neuron based on its activation level. It describes different types of activation functions, including threshold functions, linear functions, and saturating linear functions. The paragraph also contrasts binary and bipolar functions, explaining how they handle input values to produce outputs. Furthermore, it highlights the practical applications of ANNs, such as in biometric identification systems like fingerprint recognition and facial recognition for unlocking smartphones. It also mentions the use of ANNs in weather forecasting to predict events like rain and storms. The paragraph concludes with a summary of the learning objectives and a closing remark.

Keywords

💡Artificial Neural Network (ANN)

An Artificial Neural Network (ANN) is a computational model inspired by the way biological neural networks, such as those in the human brain, process information. In the video, ANN is compared to biological neurons, which receive inputs, process them, and produce outputs. The discussion emphasizes how ANNs mimic biological neural processes to make decisions and solve problems by learning from experience.

💡Neuron

A neuron is the basic unit of both biological and artificial neural networks. In biology, neurons receive, process, and transmit information through electrical and chemical signals. In the video, neurons in ANNs are explained as nodes that take inputs, process them using weights and activation functions, and then produce outputs. This concept is central to understanding how ANNs function, as neurons form the building blocks of these networks.

💡Dendrite

Dendrites are structures in biological neurons responsible for receiving signals from other neurons. In the video, dendrites are compared to input nodes in artificial neural networks, which receive input data. This analogy helps explain how inputs are processed in ANNs, just like dendrites pass information to the neuron for processing.

💡Axon

An axon is a part of the biological neuron that transmits signals to other neurons. In the context of ANNs, the axon is likened to the process that sends outputs from one neuron to others. The video uses this analogy to explain how information flows from one node to another in an artificial neural network, mimicking the biological transmission of data.

💡Activation Function

An activation function in ANNs determines whether a neuron should be activated or not, based on the input it receives. The video explains that the activation function plays a critical role in mapping inputs to outputs by applying a mathematical transformation. Examples like the 'sigmoid' or 'threshold' functions are mentioned, which influence the final output of the neural network.

💡Weights

Weights are parameters within an ANN that adjust the strength of the connection between neurons. The video describes weights as essential for learning, as they determine the influence of one neuron's output on another. For example, if there are 10 inputs, each will have an associated weight that impacts the final output, helping the network learn and adapt over time.

💡Hidden Layer

A hidden layer in an ANN refers to layers between the input and output layers that perform intermediary processing. In the video, the hidden layer is described as part of a multi-layered neural network that allows the network to solve more complex problems. This layer helps capture intricate patterns in the data by processing input signals before passing them to the output.

💡Supervised Learning

Supervised learning is a type of machine learning where the model is trained on labeled data. In the video, this concept is explained in the context of ANNs, where the network learns by using pre-defined input-output pairs, adjusting weights based on errors in prediction. Examples given include algorithms like the perceptron and backpropagation, which are common methods for training neural networks in a supervised manner.

💡Unsupervised Learning

Unsupervised learning is a machine learning approach where the model is not provided with labeled data but instead tries to identify patterns or groupings in the data on its own. The video contrasts this with supervised learning by explaining how ANNs in unsupervised learning organize data based on inherent similarities, without predefined labels. This is often used for clustering tasks.

💡Multi-layer Neural Network

A multi-layer neural network refers to a network with multiple layers of neurons, typically including one or more hidden layers between the input and output layers. In the video, it is emphasized that these networks can solve more complex tasks compared to single-layer networks, as the additional layers allow for deeper processing and the handling of non-linear problems. An example of this architecture is given as one with multiple hidden layers between input and output nodes.

Highlights

Introduction to artificial neural networks and their biological counterparts in the human brain.

Explanation of the basic components of a biological neuron: dendrites, soma, and axon.

Dendrites receive information and act as input channels for the soma.

The soma processes information within the nucleus.

Axons transmit signals to other neurons through synapses.

Neurons interact with each other to make decisions.

Artificial neural networks mimic the structure and function of biological neural networks.

Input and output in artificial neural networks are analogous to dendrites and axons in biological neurons.

Activation functions play a crucial role in processing information within neurons.

The architecture of neural networks includes input layers, hidden layers, and output layers.

Single-layer networks directly connect input to output without hidden layers.

Multilayer networks have one or more hidden layers between input and output.

Competitive networks have neurons that compete with each other to be active.

Neural networks can learn from experience, similar to the human brain.

Supervised learning involves teaching the network to categorize inputs, while unsupervised learning lets the network discover patterns on its own.

Activation functions can be linear, threshold-based, or more complex like sigmoid or hyperbolic tangent.

Applications of neural networks include fingerprint recognition for attendance systems and face unlock features on smartphones.

Neural networks are also used for weather forecasting to predict rain and storms.

Transcripts

Halo assalamualaikum warahmatullahi

wabarakatuh Halo teman-teman kelas

kecerdasan buatan kembali lagi dengan

satu materi yang baru Yuk kita belajar

bersama tentang jaringan saraf tiruan

dan bahasan utama kita kali ini akan

mengenal tentang konsep dasar jaringan

syaraf tiruan atau dj's itu seperti apa

ya kalau diumpamakan jaringan syaraf

tiruan itu adalah berasosiasi dengan

jaringan syaraf biologi gimana pada otak

manusia kita memiliki jutaan sel saraf

atau neuron yang memiliki tugas untuk

memproses zat memproses informasi nah

neuron itu berinteraksi satu sama lain

untuk menghasilkan sebuah keputusan

dengan kemampuan kerjanya yang luar

biasa

yang digambarkan pada struktur biologi

model syaraf itu memiliki beberapa

komponen utama pertama ada di indrid

kemudian ada badan sel atau Soma serta

Advan ya kalau dilihat pada penampang

model biologis teman-teman bisa melihat

kita punya the yang pertama ini memiliki

tugas untuk menerima informasi atau

sebagai jalur input bagi Soma atau badan

sel ya badan sel ada di sebelah sini

yang digambarkan ini nah badan sel ini

dia memiliki satu buah bagian disebut

dengan inti sel atau nukleus dimana

pemrosesan atau pengolahan informasi itu

terjadi di dalamnya dari situ kemudian

akson itu akan mengirimkan impuls sinyal

ke sel saraf yang lainnya atau dengan

kata lain Aksan itu adalah jalur patut

bagi sama untuk berinteraksi dengan sel

saraf yang berada di tetangga mereka

melalui sinapsis ini ya jadi dia

kandungan dengan sel saraf atau neuron

neuron yang berada di sekitar mereka Nah

karena tadi disebutkan bahwa jaringan

syaraf biologis itulah dasar dari

jaringan syaraf tiruan Maka kalau

dianalogikan bentuknya adalah seperti

ini ada istilah input ya atau not yang

di dalam dirinya saksikan itu dia

Society ikan dengan badan sel atau Soma

atau bisa juga input itu diajarkan

dengan asosiasikan dengan dendrit dengan

hujan buat itu adalah aksen serta

sinopsis Ya beginilah minta kenal kok

pada jaringan syaraf tiruan jadi ini

hanya sebagai pengantar saja

Hai Bagaimana jadinya syaraf tiruan itu

bekerja Ia adalah meniru atau mengikuti

Bagaimana cara kerja jaringan syaraf

biologis pada otak manusia ya di dalam

jaringan syaraf tiruan itu dia memiliki

keterlibatan sebagai pemrosesan

informasi yang terjadi pada neuron tadi

disebutkan ya kemudian ada istilah yang

disebut dengan fungsi aktivasi yang

berhubungan dengan semua input

didalamnya serta ada output yang nanti

akan kita bahas dengan salah satunya

disebut dengan ceh kul

Set alarm pada jaringan syaraf tiruan

model struktur penyusunnya boleh

digambarkan dengan bentuk seperti ini

ke-3 ada beberapa begini dalamnya kita

ada mengenal fungsi ini kemudian

digoreng fungsi aktivasi dan ini adalah

bagian yang pernah dengan output proses

ini akan kita hasilkan karena kita sudah

memiliki input sebelumnya nah output ini

nanti bisa dikirimkan ke neuron yang

lainnya yang berada di tangganya atau

neuron yang saling berhubungan satu sama

lain jika digambarkan ke dalam bentuk

yang lainnya ini adalah input di sebelah

kiri yang dinyatakan dengan huruf x

kemudian masing-masing simbol itu Ia

memiliki website atau bobot kemudian ada

fungsi tertentu sampai dengan dia

menghasilkan output disini outputnya

tidak harus selalu sama dengan jumlah

input ya Bu remotenya 1/2 meskipun

inputnya adalah puluhan ya ini adalah

contoh model matematikanya jadi ada

sebuah fungsi tertentu yang disebut

dengan samping function disini ini ada

juga fungsinya coba dengan fungsi

aktivasi di proses sebelumnya melibatkan

input dan juga memiliki berbuat untuk

masing-masing input Jadi kalau ada 10

input maka akan ada 10 bobot yang

mempengaruhi hasil akhir output

disebelah kanannya Nanti secara

matematis digambarkan seperti ini ya

nanti teman-teman bisa mempraktekkan ini

sebagai sebuah contoh Bagaimana jaringan

syaraf tiruan kita pelajari bersama ya

Nah mengenal samping function ini kalau

diumpamakan dia merupakan sebuah fungsi

yang digunakan untuk mencari rata-rata

bobot dari semua elemen inputnya secara

sederhana merupakan Perkalian antara

bobot atau with dengan inputnya atau X

disini setelah ketemu makan dijumlahkan

totalnya ada berapa Kalau ada 10 input

maka 10 10 nya kan kita jumlahkan ya Nah

dari samping function itu

kemudian kita akan mengenal

karakteristik jaringan syaraf tiruan

Hai yang paling menonjol adalah jaringan

syaraf tiruan itu dapat belajar dari

pengalaman ya Jadi kalau kita bisa

mengambil pengalaman atas sebuah

peristiwa maka jaringan syaraf tiruan

pun juga bisa melakukan hal yang sama

misalkan suatu hari kita pernah melihat

sebuah benda yang disebut dengan spidol

maka ketika pada lain waktu kita melihat

benda yang serupa dengan spidol kita

sudah tidak perlu lagi memikirkan bahwa

benda itu disebut dengan spidol tapi

secara spontan kita sudah akan

mengatakan Oh itu spidol ya maka

jaringan syaraf tiruan juga memiliki

analogi yang sama ya kita akan gunakan

contoh nanti

Hai beberapa hal yang menentukan

karakteristik jaringan syaraf tiruan itu

diantaranya adalah arsitektur jdnya

kemudian ada bagian yang disebut dengan

bobot ini yang ditentukan dengan proses

pelatihan atau training nanti serta

bagian yang disebut dengan fungsi

aktivasi ya Nah arsitektur jaringan ini

ya adalah sekumpulan dari jaringan Max

kumpulan dari lapisan input kemudian ada

juga lapisan output yang diantara lagu

selingkuh dengan lapisan untuk itu bisa

terdapat lapisan tersembunyi atau hidden

layer bila ada nah diantara lapisan

input dengan lapisan begitu mereka

saling terhubung ya bisa terhubung

langsung atau dijembatani oleh lapisan

tersembunyi kita akan belajar arsitektur

jaringan yang dikelompokkan menjadi tiga

kelas besar yang pertama adalah jaringan

dengan lapisan tunggal atau single

warnet kemudian ada multi learned yang

merupakan jaringan dengan lapisan banyak

serta jaringan dengan lapisan kompetitif

yang disebut dengan kompetitif net nah

pada single layer net-nya Ia hanya

memiliki satu lapisan dengan bobot yang

terhubung jaringan ini menerima input

kemudian secara langsung akan diproses

menjadi output tanpa melewati lapisan

tersembunyi sedangkan semua unit

inputnya dihubungkan dengan unit output

yang bersesuaian secara grafis gambar

dari single ayat adalah seperti ini ya

kita punya nilai input di bagian paling

sebelah kiri kemudian nilai-nilai itu

adalah bagian yang kita masukkan ke

dalam layar pertama ada lapisan info

disini kemudian diantara lapisan input

ini ada lapisan output di sebelah ini

disebelah kanannya yang dihubungkan oleh

bobot pada matriks bobot diantara input

dengan output nya jika sudah maka kita

akan menghasilkan output nya yah nah

diasumsikan bahwa a

inputnya tadi ya termasuk dengan

outputnya ini lapisan Itu adalah sebuah

mikro serta bagian-bagiannya Takan

dengan busur panah ini adalah

sinopsisnya kembali lagi ke definisi

model Syarah biologis tadi oke kalau

senilai ngerti ya terhubung secara

langsung antara bisa input dengan output

dan dibatasi hanya dengan satu matriks

bobot tidak demikian pada multilayer

nett ya pada jaringan dengan lapisan

banyak ini memiliki satu atau lebih

lapisan yang terletak di antara input

dan outputnya lapisan itu sebut sebagai

lapisan tersembunyi ya jaringan ini

memiliki kemampuan untuk menyelesaikan

sebuah permasalahan yang lebih kompleks

jadi pada lapisan tunggal tapi

memerlukan proses pembelajaran yang

lebih lumpur yang lebih rumit atau lebih

kompleks lagi jika digambarkan pada

sebuah bentuk maka jaringan syaraf

tiruan untuk arsitektur multilayer

netcool yang lebih adalah seperti ini

diantara

Faizah input dengan output nya teman

melihat adanya sebuah lapisan

tersembunyi ya di sini pun untuk

menentukan jumlah neutronnya tidak harus

sama dengan lima ini hanya sebagai

bantuan visual secara mudah dan

sederhana untuk memahamkan bawah

ternyata arsitektur itu bisa dipahami

dengan jumlah lapisan yang terlibat di

dalamnya kalau hanya input dengan output

saja Berarti dia adalah jaringan lapisan

tunggal tapi kalau sudah Tersisih oleh

satu sebisanya jaringan televisi

tersembunyi Maka hasilnya itu disebut

dengan multi-layered atau arsitektur

dengan lapisan banyak-banyak contoh ini

teman-teman melihat adanya satu lapisan

tersembunyi saja yang membatasi atau

menghubungkan antara lapisan kudengar

lapisan output pada gambar ini

teman-teman bisa menemukan adanya

lapisan tersedia Jumlahnya ada dua jadi

adalah pesan tersembunyi pertama di

bawah sebelah kiri Ini dan adalah pesan

tersembunyi yang kedua

Hai ada di bagian sebelah kanan diantara

lapisan-lapisan tersebut ada matriks

bobot yang saling terhubung satu sama

lain ini hanya gambaran saja bahwa

bentuk dari akhir pun arsitektur

jaringan itu cukup beragam ya sedangkan

kategori yang ketiga adalah kompetitif

nett ya jaringan dengan lapisan

kompetitif yang pada setiap neuron nya

itu bersaing satu sama lain untuk

mendapatkan hak menjadi murni aktif

nilai bobot yang dimiliki oleh setiap

neuron itu besarannya adalah satu

sedangkan neuron yang lainnya nilai

obatnya berupa nilai acak dan biasanya

negatif Yah nanti saya akan belajar lagi

pada refreshing kita gunakan diantara

beberapa hal yang harus dipelajari pada

jaringan syaraf tiruan adalah paradigma

pembelajaran secara garis besar kelompok

pembelajaran pada jaringan syaraf tiruan

itu ada dua kelas yang pertama adalah

pembelajaran terawasi atau supervised

learning Ya yang menjadi contoh pada

sparepart learning ini adalah help

kemudian ada perceptron dan juga ada

backpropagation sedangkan kategori yang

kedua adalah pembelajaran tidak terawasi

atau and supervised learning Ya ada juga

yang menyatakan belajar atraksi sebagai

pembelajaran terbimbing dan pembelajaran

tidak tebing untuk pembelajaran tidak

terawasi istilahnya sama ya dan

contoh-contohnya juga sama kalau pada

pembuatan terawasi dan tidak terawasi

itu adalah dua hal yang berbeda

teman-teman bisa menggunakan energi

sebagai berikut misalkan kalian punya

tiga buah deh ya tiga buah yang

masing-masing jumlahnya ada Banyak Ada

jeruk ya Ada jeruk kemudian ada apel

Hai dan ada jambu ya jadi teman-teman

punya tiga buah-buah yang kategori ada

jeruk apel serta jambu nah pada

pembelajaran dengan apa Belajar antara

wasih kita mengelompokkan buah yang

sudah ada itu dari awal bq7 tahu Oh

kalau bentuknya seperti inilah jeruk Oh

kalau bentuknya adalah vertadella poloh

kalau warnanya seperti ini adalah jambu

jadi kita kediaman kategori tanya

sehingga kalau nanti ada satu buah yang

baru ya buah yang kita enggak tahu apa

itu namanya 2x misalkan kita bisa

mengatur ikan itu menjadi jeruk apel

atau jambu secara otomatis ya jadi

output-nya sudah diketahui sebelumnya

sedangkan pada belajar yang tidak

terawasi kita tidak mengeta gorikan

jeruk apel dan jambu ini terlebih dahulu

melainkan kita meminta jaringan syaraf

tiruan itu sendiri untuk mengategorikan

dengan mengenali mereka itu perca

Jelaskan ciri-cirinya ya Jadi pada jst

mereka akan mendefinisikan juga seperti

ini atau seperti itu dan juga dengan

seperti ini kita memberikan batasannya

saja tanpa memberikan kelompok-kelompok

yang diawali dengan label-label secara

spesifik Ya paham Jadi kalau pada

pembahasan telah pasti kita yang membuat

kelompok-kelompok itu tapi kado pada

kalau pada pembelajaran tidak terawasi

kita tidak mengelompokkan nilai-nilai

itu menjadi kelas-kelas yang sudah

dibagi-bagi melainkan meminta lebih ST

mengelompokkan benda-benda itu

berdasarkan ciri-ciri yang merujuk pada

jeruk apel atau jambu ya maka pada

pembelajaran terawasi target outputnya

itu diperlukan sehingga kalau ada benda

yang baru Maka kita bisa memastikan noh

benda itu masuk dalam Kelas A b c dan

seterusnya ya sedangkan pada

pembelajaran tidak terawasi atau Cukang

fastening target output ini tidak

diperlukan ya mereka

pengennya untuk belajar sendiri ya nanti

teman-teman bisa belajar lebih lanjut

lagi nah selain arsitektur jaringan

serta paradigma pembelajaran kita harus

mengenal fungsi aktivasi yang tadi di

awal sudah digambarkan pada model

matematika fungsi aktivasi ini digunakan

untuk menentukan keluaran sebuah n atau

sel syaraf nah fungsi ini menggambarkan

hubungan antara tingkat aktivasi

internal yang tadi di awal kita sebut

dengan smash infection yang bisa jadilah

bisa saja bentuknya beraneka ragam boleh

linier atau tidak linier nah yang masuk

pada fungsi aktivasi diantaranya adalah

test food hard limit Singo Edan

identitas serta contoh-contoh yang

lainnya untuk fungsi aktivasi atlet

dancesport bentuknya seperti ini yang

membedakan adalah nilai-nilai

diantaranya Kemudian Anda buat sebatas

yang mereka tidak selalu sama ini adalah

nol sudah pasti untuk Kavling it tapi

untuk fungsi threshold atau ambang batas

dia nilainya

ia selalu fix atau selalu sama dengan

hak limitnya contoh fungsi aktivasi lagi

itu adalah fungsi bipolar hard limit ya

bipolar itu berarti nilainya adalah

perlawanan satu dengan minus 1 ya

nilai-nilainya adalah seperti ini kalau

aksi dari penolakan satu kalau sama

dengan nol adalah nol kalau kurang D1 =

min 1 ya untuk gula bipolar seafood

teman-teman bisa perhatikan sebelah

kanan sendiri yang nyata dikenal kita

gunakan nilai yang tidak sama dengan

nilai padahal limitnya Ia menunjukkan

angka tertentu Atau abang batas yang

ditentukan menyesuaikan dengan inputnya

agar inputnya sesuai dengan output atau

target yang diinginkan fungsi aktivasi

selanjutnya adalah fungsi linier dan

fungsi simetrik saturated saturating

linier dua-duanya ini sebetulnya masih

satu rumpun tapi nilainya tidak sama

misalkan Perhatikan bagian bawah layar

ini ya Dan kita mengakhiri pembelajaran

fungsi aktivasi dengan fungsi tweet yang

tidak tahu berbeda diantara keduanya

yang membedakan adalah kalau pada fungsi

simbol yang akhirnya dalam biner yang

didalamnya melibatkan nilai antara 0

sampai dengan satu sedangkan yang kanan

adalah polar yaitu memiliki nilai

diantara rentang min 1 dan 1 nah fungsi

aktivasi ini akan kita gunakan untuk

mempelajari bagian jaringan syaraf

tiruan Selanjutnya ya kemarin juga sudah

banyak yang menjawab dengan benar

tentang contoh aplikasi dengan jarak

dengan cara firwan ada yang menyebutkan

presensi menggunakan sidik jari ada yang

melakukan Face Unlock menggunakan wajah

pada smartphone Kalian ada juga yang

menjawab untuk pemanfaatan jsc ini

adalah pada peramalan cuaca Kapan

terjadinya hujan kapan sebuah badai

kemungkinan terjadi ya Nah kita ketemu

di pembelajaran Selanjutnya ya terima

kasih assalamualaikum warahmatullahi

wabarokatuh