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.

1
 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.

2
 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

3
(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.

4
 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.