KONSEP JST

JST dapat merujuk kepada beberapa konsep, tetapi jika Anda merujuk kepada Jaringan Saraf Tiruan (JST),
berikut adalah penjelasan singkatnya:

Jaringan Saraf Tiruan (JST) adalah model matematis yang terinspirasi dari struktur dan fungsi jaringan
saraf biologis. JST terdiri dari unit pemrosesan kecil yang disebut neuron atau node, yang terhubung
melalui sambungan yang disebut bobot. JST memiliki lapisan input, lapisan tersembunyi (jika ada lebih
dari satu), dan lapisan output. Setiap koneksi antara neuron memiliki bobot yang mempengaruhi sejauh
mana sinyal dari satu neuron memengaruhi neuron lain.

Proses pembelajaran pada JST melibatkan penyesuaian bobot berdasarkan pengalaman atau data
latihan. Salah satu teknik pembelajaran yang umum digunakan untuk JST adalah algoritma belajar
mundur (backpropagation), di mana kesalahan prediksi dibobotkan kembali melalui jaringan untuk
memperbarui bobot sehingga model dapat belajar dan beradaptasi dari data.

JST digunakan dalam berbagai aplikasi, termasuk pengenalan pola, klasifikasi, prediksi, dan tugas-tugas
pemrosesan data kompleks lainnya. Salah satu keunggulan JST adalah kemampuannya untuk menangani
masalah yang sulit dipecahkan dengan pendekatan konvensional, terutama dalam domain seperti
pengenalan wajah, pengenalan suara, dan pemrosesan bahasa alami.

KOMPONEN JST
Jaringan Saraf Tiruan (JST) terdiri dari beberapa komponen utama. Berikut adalah penjelasan singkat
tentang masing-masing komponen:

1. **Neuron (Node):** Neuron adalah unit pemrosesan dasar dalam JST. Setiap neuron menerima
masukan, melakukan pemrosesan, dan menghasilkan keluaran. Neuron juga dapat memiliki fungsi
aktivasi yang menentukan apakah dan sejauh mana neuron tersebut akan "aktif" atau "tidak aktif"
berdasarkan input yang diterimanya.

2. **Bobot (Weight):** Setiap koneksi antara neuron memiliki bobot yang mengukur sejauh mana sinyal
dari satu neuron memengaruhi neuron lain. Bobot ini diatur selama proses pembelajaran untuk
mengoptimalkan kinerja jaringan.
3. **Fungsi Aktivasi:** Neuron biasanya dilengkapi dengan fungsi aktivasi yang menentukan apakah
neuron tersebut harus diaktifkan atau tidak berdasarkan nilai tertentu. Fungsi aktivasi dapat berbagai
macam, seperti fungsi step, sigmoid, tanh, atau ReLU (Rectified Linear Unit).

4. **Lapisan (Layer):** Neuron dikelompokkan ke dalam lapisan. JST biasanya memiliki tiga jenis lapisan:
lapisan input, lapisan tersembunyi, dan lapisan output. Lapisan input menerima data masukan, lapisan
tersembunyi melakukan pemrosesan, dan lapisan output menghasilkan hasil prediksi atau keluaran.

5. **Jaringan: **Gabungan dari lapisan-lapisan dan koneksi-koneksi antara neuron membentuk jaringan
saraf tiruan secara keseluruhan.

6. **Input:** Data masukan atau fitur yang disediakan ke lapisan input jaringan. Input ini merupakan
informasi yang akan diproses oleh JST.

7. **Output:** Hasil atau prediksi yang dihasilkan oleh lapisan output jaringan. Output ini mewakili
respon atau jawaban dari JST berdasarkan data masukan.

8. **Backpropagation:** Algoritma pembelajaran yang umum digunakan untuk menyesuaikan bobot

jaringan berdasarkan kesalahan prediksi. Backpropagation melibatkan pengembalian informasi kesalahan
dari lapisan output ke lapisan-lapisan sebelumnya untuk memperbarui bobot dan meningkatkan kinerja
jaringan.

Semua komponen ini bekerja bersama untuk membentuk model jaringan saraf tiruan yang dapat
memproses informasi, belajar dari data, dan melakukan tugas-tugas pemrosesan data yang kompleks.

FUNGSI AKTIVASI JST

Fungsi aktivasi dalam Jaringan Saraf Tiruan (JST) digunakan untuk menentukan apakah suatu neuron
harus diaktifkan atau tidak berdasarkan nilai tertentu. Fungsi ini memperkenalkan unsur non-linearitas
ke dalam model, memungkinkan JST untuk memodelkan hubungan yang lebih kompleks antara input dan
output. Berikut adalah beberapa fungsi aktivasi umum yang digunakan dalam JST:
1. **Fungsi Step:**

- Fungsi step menghasilkan output biner (0 atau 1) berdasarkan apakah inputnya melewati ambang
tertentu.

- \( f(x) = \begin{cases} 0, & \text{if } x < \text{threshold} \\ 1, & \text{if } x \geq \text{threshold}
\end{cases} \)

2. **Fungsi Sigmoid:**

- Fungsi sigmoid mengonversi input menjadi rentang antara 0 dan 1.

- \( f(x) = \frac{1}{1 + e^{-x}} \)

- Fungsi ini sering digunakan di lapisan output jaringan untuk tugas klasifikasi biner karena outputnya
dapat diinterpretasikan sebagai probabilitas.

3. **Fungsi Tanh (Tangens Hiperbola):**

- Fungsi tanh menghasilkan output dalam rentang antara -1 dan 1.

- \( f(x) = \frac{e^{x} - e^{-x}}{e^{x} + e^{-x}} \)

- Seperti sigmoid, tanh umumnya digunakan di lapisan tersembunyi jaringan.

4. **Fungsi ReLU (Rectified Linear Unit):**

- Fungsi ReLU menghasilkan output x jika x positif, dan 0 jika x negatif.

- \( f(x) = \max(0, x) \)

- Fungsi ini telah menjadi populer karena efisiensinya dalam pelatihan dan penerapan jaringan.

5. **Fungsi Softmax:**

- Fungsi softmax digunakan di lapisan output untuk tugas klasifikasi multikelas.

- \( f(x)_i = \frac{e^{x_i}}{\sum_{j=1}^{N} e^{x_j}} \)

- Fungsi ini mengonversi output ke dalam distribusi probabilitas, di mana setiap nilai output mewakili
probabilitas kelas tertentu.

Pemilihan fungsi aktivasi tergantung pada jenis tugas yang dihadapi dan karakteristik data. Beberapa
fungsi aktivasi lebih cocok untuk tugas-tugas tertentu, dan pemilihan yang tepat dapat berkontribusi
pada keberhasilan pelatihan jaringan.
SUPERVISI / BUKAN SUPERVISI
Mari kita jelaskan lebih detail mengenai Supervised Learning (Pembelajaran Terawasi) dan Unsupervised
Learning (Pembelajaran Tanpa Pengawasan) dalam konteks Jaringan Saraf Tiruan (JST):

### 1. Supervised Learning (Pembelajaran Terawasi):

Dalam pembelajaran terawasi, JST diberikan dataset yang terdiri dari pasangan input dan output yang
telah diberi label. Model JST belajar untuk memahami hubungan antara input dan output dengan cara
menyesuaikan parameter internalnya (bobot dan bias) selama proses pelatihan.

**Contoh Tugas:**

- **Klasifikasi:** JST belajar mengenali pola dan fitur dalam data sehingga dapat mengklasifikasikan
input ke dalam kategori atau kelas yang benar. Misalnya, pengenalan gambar untuk membedakan antara
kucing dan anjing.

- **Regresi:** JST belajar untuk memetakan input ke nilai kontinu. Contohnya, memprediksi harga
rumah berdasarkan fitur-fitur tertentu.

### 2. Unsupervised Learning (Pembelajaran Tanpa Pengawasan):

Dalam pembelajaran tanpa pengawasan, JST diberikan dataset tanpa label, dan tujuannya adalah untuk
menemukan pola alamiah atau struktur dalam data. JST mencoba mengelompokkan data, menemukan
fitur tersembunyi, atau mengurangi dimensi data tanpa bantuan label.

**Contoh Tugas:**

- **Klastering:** JST belajar untuk mengelompokkan data berdasarkan kemiripan fitur, meskipun tidak
ada informasi label. Contohnya, klastering pelanggan berdasarkan perilaku pembelian.

- **Reduksi Dimensi:** JST mencoba untuk mengurangi kompleksitas data dengan mengidentifikasi fitur-
fitur yang paling penting. Misalnya, Analisis Komponen Utama (PCA) untuk mengurangi dimensi data.

### Perbedaan Utama:

- **Supervised Learning:** Membutuhkan dataset yang diberi label dengan pasangan input-output.
Tujuannya adalah untuk membuat prediksi atau memahami hubungan antara input dan output.
- **Unsupervised Learning:** Tidak memerlukan label pada dataset. Tujuannya adalah menemukan pola
atau struktur alamiah dalam data tanpa bantuan label.

### Catatan Tambahan:

Selain itu, ada juga bentuk lain dari pembelajaran yang dikenal sebagai **Semi-Supervised Learning**, di
mana model diberikan kombinasi data yang diberi label dan data yang tidak diberi label. Juga,
**Reinforcement Learning** melibatkan agen yang belajar dari tindakan yang diambil dalam suatu
lingkungan untuk mencapai tujuan tertentu.

Mari berikan contoh konkret dari Supervised Learning dan Unsupervised Learning dalam konteks
Jaringan Saraf Tiruan (JST):

### Contoh Supervised Learning:

**Tugas Klasifikasi dengan JST:**

Misalkan kita memiliki dataset gambar kucing dan anjing yang sudah diberi label (kucing=0, anjing=1). Ini
adalah contoh tugas klasifikasi, dan kita ingin mengajarkan JST untuk membedakan antara gambar kucing
dan anjing.

1. **Input:**

- Gambar-gambar kucing dan anjing.

2. **Label:**

- Setiap gambar diberi label 0 atau 1 sesuai dengan jenisnya (kucing atau anjing).

3. **Pelatihan JST:**

- JST memproses gambar-gambar tersebut dan menyesuaikan bobot dan biasnya berdasarkan
perbandingan hasil prediksi dengan label yang benar.

- Contoh: JST memprediksi bahwa gambar kucing memiliki label 0, dan jika prediksi salah, parameter
JST disesuaikan selama proses pelatihan.
4. **Pengujian:**

- Setelah pelatihan, JST dapat digunakan untuk memprediksi label kucing atau anjing pada gambar-
gambar baru.

### Contoh Unsupervised Learning:

**Tugas Klastering dengan JST:**

Misalkan kita memiliki dataset pelanggan yang berisi informasi tentang pembelian mereka tetapi tanpa
label kelompok atau segmentasi. Tugasnya adalah mengelompokkan pelanggan berdasarkan perilaku
pembelian mereka.

1. **Input:**

- Data pembelian pelanggan, tetapi tanpa informasi kelompok atau label.

2. **Pelatihan JST (Klastering):**

- JST memproses data pembelian dan mencoba mengelompokkan pelanggan berdasarkan pola
pembelian yang serupa.

- Contoh: JST mungkin mengidentifikasi kelompok pelanggan yang cenderung membeli produk serupa,
tanpa mengetahui label kelompoknya.

3. **Evaluasi:**

- Evaluasi klastering dapat dilakukan dengan menganalisis apakah kelompok-kelompok yang dihasilkan
oleh JST memiliki makna atau relevansi bisnis.

### Catatan Tambahan:

- Dalam kasus **Semi-Supervised Learning**, mungkin sebagian kecil data pelanggan diberi label,
sementara sebagian besar tidak diberi label. JST kemudian dapat menggunakan informasi dari kedua
jenis data untuk membuat prediksi atau mengelompokkan pelanggan.

- **Reinforcement Learning** mungkin terlihat pada situasi di mana JST belajar memainkan permainan.
Agen (JST) mengambil tindakan dalam lingkungan (permainan), dan hadiah atau hukuman diberikan
berdasarkan kinerja tindakan tersebut. Misalnya, JST mempelajari cara bermain catur dengan mengambil
tindakan yang mengarah pada kemenangan.

Penting untuk dicatat bahwa pilihan antara Supervised Learning, Unsupervised Learning, atau jenis
pembelajaran lainnya tergantung pada sifat data dan tujuan spesifik dari tugas yang dihadapi.

ARSITEKTUR JARINGAN JST

Arsitektur jaringan saraf tiruan (JST) mencakup organisasi lapisan dan hubungan antara neuron dalam
jaringan. Berikut adalah beberapa arsitektur JST yang umum digunakan:

1. **Feedforward Neural Network (FNN):**

- Merupakan arsitektur JST yang paling sederhana.

- Informasi hanya mengalir ke depan melalui lapisan input, lapisan tersembunyi, dan lapisan output
tanpa adanya siklus atau umpan balik.

- Cocok untuk tugas-tugas seperti klasifikasi dan regresi.

2. **Multilayer Perceptron (MLP):**

- Jenis FNN dengan satu atau lebih lapisan tersembunyi di antara lapisan input dan output.

- Setiap neuron dalam satu lapisan tersembunyi terhubung ke setiap neuron di lapisan tersembunyi
berikutnya.

- Umumnya menggunakan fungsi aktivasi non-linear di lapisan tersembunyi.

3. **Convolutional Neural Network (CNN):**

- Dirancang khusus untuk memproses data grid seperti citra.

- Terdiri dari lapisan konvolusi yang dapat mengekstraksi fitur dari data spasial, diikuti oleh lapisan
pooling untuk mereduksi dimensi.

- Umumnya digunakan dalam tugas pengenalan gambar dan deteksi objek.

4. **Recurrent Neural Network (RNN):**

- Dirancang untuk menangani urutan data, seperti data waktu atau teks.
 - Memiliki siklus umpan balik yang memungkinkan informasi untuk dipertahankan di antara waktu atau
urutan.

- Cocok untuk tugas seperti pengenalan suara, penerjemahan bahasa, dan prediksi deret waktu.

5. **Long Short-Term Memory (LSTM) Networks:**

- Sejenis RNN yang dirancang khusus untuk mengatasi masalah pelatihan RNN tradisional, yang sering
mengalami kesulitan dalam mengingat informasi dari waktu ke waktu.

- Memiliki mekanisme pintu (gate) untuk mengontrol aliran informasi dalam dan keluar dari sel
memori.

6. **Autoencoder:**

- Jenis JST yang digunakan untuk pembelajaran representasi data.

- Terdiri dari lapisan input, lapisan tersembunyi (encoding), dan lapisan output (decoding).

- Digunakan untuk tugas seperti reduksi dimensi dan denoising.

7. **Generative Adversarial Network (GAN):**

- Terdiri dari dua jaringan, yaitu generator dan discriminator, yang berkompetisi satu sama lain.

- Digunakan untuk menghasilkan data baru yang mirip dengan data pelatihan.

- GAN telah sukses digunakan dalam generasi gambar dan konten kreatif lainnya.

Setiap arsitektur JST memiliki kegunaan dan aplikasi tertentu sesuai dengan jenis data dan tugas yang
dihadapi. Pemilihan arsitektur yang tepat sangat tergantung pada karakteristik masalah yang dihadapi.