7. Neural Network Dasar

1. Neuron Tunggal (Perceptron)

Neuron buatan meniru cara kerja neuron biologis otak. Ia menerima input, mengalikannya dengan bobot (weight), menjumlahkannya, menambahkan bias, lalu mengaktifkannya dengan fungsi aktivasi.

output = activation( w1*x1 + w2*x2 + ... + wn*xn + bias )

Input 1: 0.5 Input 2: 0.3 Input 3: 0.8

Aktivasi:

Analogi: Bayangkan neuron seperti seseorang yang harus membuat keputusan. Setiap input adalah pendapat dari teman berbeda. Weight menentukan seberapa dipercaya setiap teman. Bias adalah kecenderungan bawaan orang tersebut. Fungsi aktivasi menentukan apakah dia akan "aktif" (setuju) atau tidak.

2. Jaringan Multi-Layer (Deep Neural Network)

Dengan menghubungkan banyak neuron dalam beberapa layer, kita membuat jaringan yang mampu belajar pola kompleks. Setiap layer mendeteksi fitur yang semakin abstrak.

Arsitektur (neuron per layer):

Input Layer: Menerima data mentah (angka). Misalnya piksel gambar atau fitur teks yang sudah di-encode menjadi angka.

Hidden Layers: Layer tersembunyi yang belajar representasi. Layer pertama mendeteksi pola sederhana, layer berikutnya pola lebih kompleks.

Output Layer: Menghasilkan prediksi akhir. Bisa klasifikasi (kategori) atau regresi (angka kontinu).

Deep = Dalam: Semakin banyak hidden layer, semakin "dalam" jaringan, semakin kompleks pola yang bisa dipelajari.

3. Training: Backpropagation

Neural network belajar dengan menyesuaikan weights. Pertama, data mengalir maju (forward pass). Lalu error dihitung dan disebarkan mundur (backward pass) untuk memperbarui weights.

Target Output: Learning Rate: 0.1

weight_baru = weight_lama - learning_rate * gradient

Proses Training:
1. Forward Pass: Data mengalir dari input ke output
2. Hitung Loss: Bandingkan output dengan target (seberapa salah?)
3. Backward Pass: Hitung gradient (arah mana weight harus berubah)
4. Update Weights: Sesuaikan weight menggunakan gradient descent
5. Ulangi sampai loss cukup kecil

4. Neural Network untuk Teks (NLP Sederhana)

Untuk memproses teks, kita perlu mengubah kata menjadi angka terlebih dahulu (encoding). Neural network kemudian memproses angka-angka ini.

Masukkan kalimat:

Langkah-langkah:
1. Tokenization: Pecah kalimat menjadi kata-kata
2. Encoding: Ubah setiap kata menjadi vektor angka (one-hot atau embedding)
3. Forward Pass: Neural network memproses vektor
4. Output: Klasifikasi sentimen (positif/negatif/netral)

Masalah: Neural network biasa tidak memahami urutan kata! "kucing mengejar anjing" dan "anjing mengejar kucing" dianggap sama. Ini yang akan diselesaikan oleh RNN di halaman berikutnya.