KELOMPOK 2 : ADE PUTRA ( 2104056 )

MUHAMMAD RIZKI ( 2104051 )

HENRIO PELANI DLY ( 2104062 )

Berikut pertanyaan sekaligus jawaban dari tugas AI dengan konsep

BACKPROPAGATION

PERTANYAAN :
1. Bagaimana cara manatukan variabel input dan output dalam model
prediksi penyakit tht menggunakan backpropagation?

Jawaban :
Untuk membangun model prediksi penyakit THT (Telinga, Hidung,
dan Tenggorokan) menggunakan algoritma backpropagation, kita perlu
memahami beberapa konsep dasar dalam pengembangan model jaringan
saraf tiruan (neural network). Langkah-langkah berikut ini akan
membantu kita mengatur variabel input dan output dalam model prediksi
penyakit THT:

a) Data
Kumpulkan dataset yang berisi informasi tentang pasien,
seperti gejala, riwayat medis, dan hasil tes. Setiap entri dalam
dataset ini harus memiliki label yang menunjukkan apakah pasien
menderita penyakit THT atau tidak (misalnya, 0 untuk tidak
menderita dan 1 untuk menderita).

b) Preprocessing Data
Lakukan preprocessing data pada dataset Anda. Ini termasuk
normalisasi data jika diperlukan (misalnya, mengubah nilai-nilai
numerik menjadi rentang tertentu), menghapus atau mengisi nilai
yang hilang, dan membagi dataset menjadi data pelatihan dan data
pengujian untuk evaluasi model.

c) Variabel Input
Tentukan variabel input (fitur) yang akan digunakan dalam
model. Ini adalah atribut atau kolom dalam dataset yang akan
digunakan untuk memprediksi penyakit THT. Misalnya, gejala
seperti demam, pilek, atau nyeri tenggorokan bisa menjadi variabel
input.
 d) Variabel Output
Tentukan variabel output, yang dalam kasus ini adalah label
yang menunjukkan apakah pasien menderita penyakit THT atau
tidak. Ini akan menjadi keluaran dari model Anda.

e) Arsitektur Jaringan Saraf Tiruan

Pilih arsitektur jaringan saraf tiruan yang sesuai. Arsitektur ini
akan mempengaruhi bagaimana Anda mengatur layer-layer dalam
model Anda, termasuk layer input, hidden layer, dan output layer.
Anda juga perlu memutuskan berapa banyak neuron dalam setiap
layer.

f) Inisialisasi Bobot dan Bias

Inisialisasi bobot dan bias pada model Anda dengan nilai acak
atau menggunakan teknik inisialisasi yang telah ditentukan seperti
Xavier atau He initialization.

g) Pelatihan Model
Pelatihan model Anda dengan algoritma backpropagation. Ini
melibatkan langkah-langkah seperti forward propagation
(perhitungan keluaran model), perhitungan gradien (menggunakan
fungsi loss), dan pembaruan bobot dan bias menggunakan gradien
untuk mengurangi kesalahan prediksi.

h) Evaluasi Model
Evaluasi model Anda menggunakan data pengujian yang tidak
pernah dilihat sebelumnya. Anda dapat menggunakan metrik seperti
akurasi, presisi, recall, F1-score, atau area di bawah kurva ROC (AUC-
ROC) untuk mengukur kinerja model.

i) Penyimpanan dan Penggunaan Model

Simpan model yang telah dilatih untuk digunakan dalam prediksi
penyakit THT di masa depan. Anda dapat menggunakan berbagai library
atau framework deep learning seperti TensorFlow, Keras, atau PyTorch
untuk mengimplementasikan model Anda.

j) Prediksi
Gunakan model yang telah dilatih untuk melakukan prediksi
penyakit THT berdasarkan input yang diberikan. Input ini harus sesuai
dengan variabel input yang telah Anda tentukan sebelumnya.
 Penting untuk memahami bahwa pengaturan variabel input dan
output serta seluruh proses pengembangan model akan sangat
bergantung pada karakteristik khusus dari dataset dan masalah yang
Anda hadapi. Anda juga harus memperhatikan masalah preprocessing
data, pemilihan fitur yang relevan, dan penanganan kelas yang tidak
seimbang (jika ada). Kesabaran dan eksperimen akan menjadi kunci
keberhasilan dalam pengembangan model prediksi penyakit THT
menggunakan backpropagation.

PERTANYAAN :

2. Jelaskan mengubah obat obat yang ada pada lapisan tersembunyi

menggunakan backpropagation?
Jawaban :
Dalam konteks jaringan saraf tiruan (neural network) dan algoritma
backpropagation, "mengubah obat-obatan" merujuk pada proses
pembelajaran model, di mana bobot dan bias pada lapisan tersembunyi
(hidden layer) diperbarui selama pelatihan agar model dapat belajar
dengan baik dari data latihan. Proses ini melibatkan iterasi berulang kali
melalui dataset latihan untuk mengurangi kesalahan prediksi model.

PERTANYAAN :

3. Dalam memprediksi jaringan syaraf buatan, ada faktor yang

mempengaruhi kebenarannya! pertanyaanya adalah, sebutkan
faktor faktor tersebut dan jelas kan ?
Jawaban :
Dalam memprediksi dengan jaringan saraf buatan, ada beberapa
faktor yang mempengaruhi kebenarannya atau kinerjanya. Berikut
adalah beberapa faktor kunci yang memengaruhi kualitas prediksi
jaringan saraf buatan:

a) Kualitas Data
Kualitas data latihan sangat penting. Data yang kotor, tidak akurat,
atau tidak representatif dapat menghasilkan model yang buruk. Faktor-
faktor seperti keberadaan data yang hilang, noise (gangguan), atau
ketidakseimbangan kelas dapat mempengaruhi kinerja model.
 b) Jumlah Data
Jumlah data latihan juga penting. Dalam banyak kasus, semakin
banyak data yang Anda miliki, semakin baik kinerja modelnya. Model
jaringan saraf cenderung lebih baik dalam generalisasi dengan data yang
lebih banyak.

c) Preprocessing Data
Cara Anda memproses dan membersihkan data sebelum melatih
model mempengaruhi hasil prediksi. Langkah-langkah seperti
normalisasi, penghapusan outlier, pengisian data yang hilang, dan
encoding fitur kategorikal harus dilakukan dengan benar.

d) Arsitektur Jaringan
Pemilihan arsitektur jaringan, seperti jumlah layer, jumlah neuron
per layer, dan jenis aktivasi, dapat signifikan memengaruhi kinerja model.
Arsitektur yang cocok untuk masalah tertentu adalah kunci.

e) Inisialisasi Bobot
Inisialisasi bobot yang baik adalah faktor kunci dalam pelatihan
jaringan saraf. Inisialisasi yang buruk dapat menyebabkan model
terjebak dalam minimum lokal atau konvergensi yang lambat.

f) Algoritma Optimisasi
Algoritma yang digunakan untuk mengoptimasi bobot jaringan
selama pelatihan, seperti SGD, Adam, atau RMSprop, juga berpengaruh.
Pilihan laju pembelajaran (learning rate) dan parameter lainnya dapat
memengaruhi konvergensi.

g) Overfitting dan Underfitting

Overfitting (model terlalu cocok dengan data pelatihan) dan
underfitting (model terlalu sederhana untuk memahami data) adalah
masalah umum dalam jaringan saraf. Menerapkan teknik seperti dropout,
regulasi L1/L2, atau validasi silang (cross-validation) dapat membantu
mengatasi masalah ini.

h) Penanganan Kelas yang Tidak Seimbang

Jika data memiliki kelas yang tidak seimbang (contohnya, ada lebih
banyak sampel dari satu kelas dibandingkan yang lain), maka model
mungkin memiliki bias terhadap kelas mayoritas. Strategi seperti
oversampling, undersampling, atau pemberian bobot kelas (class
weighting) dapat membantu menangani masalah ini.
 i) Penyetingan Hyperparameter
Menentukan hyperparameter seperti laju pembelajaran, momentum,
jumlah epoch, dan lain-lain adalah bagian penting dalam pengaturan
jaringan saraf yang berhasil.

j) Validasi dan Evaluasi

Proses validasi yang benar dan pengukuran kinerja yang tepat
(seperti akurasi, F1-score, atau area di bawah kurva ROC) adalah faktor
penting dalam menilai kebenaran model.

k) Konsep Masalah
Memahami dengan baik masalah yang ingin Anda selesaikan dan
memilih pendekatan yang sesuai dalam desain model jaringan saraf
adalah faktor penting. Apakah masalah ini regresi, klasifikasi, atau
masalah lainnya akan memengaruhi cara Anda membangun model.

l) Komputasi dan Sumber Daya

Kinerja model juga dipengaruhi oleh kemampuan komputasi dan
sumber daya yang tersedia. Model yang lebih besar dan lebih kompleks
memerlukan lebih banyak daya komputasi.

Semua faktor ini harus diperhatikan dan disesuaikan dengan situasi

dan masalah spesifik yang Anda hadapi ketika membangun jaringan saraf
buatan untuk memprediksi dengan benar.