Jaringan Saraf Tiruan (Neural Networks) adalah salah satu model paling populer dalam kecerdasan buatan (AI) yang meniru cara kerja otak manusia dalam memproses informasi. Aljabar linier, terutama penggunaan vektor dan matriks, merupakan dasar dari operasi dan pelatihan jaringan saraf. Artikel ini membahas bagaimana konsep aljabar diterapkan dalam berbagai aspek jaringan saraf tiruan.
Struktur dan Operasi Dasar
* Jaringan saraf terdiri dari beberapa lapisan neuron yang saling terhubung oleh bobot. Bobot ini direpresentasikan dalam bentuk matriks, yang memetakan input dari satu lapisan ke lapisan berikutnya.
*Input ke jaringan adalah vektor, dan output dari setiap lapisan dihitung melalui perkalian matriks antara input dan matriks bobot, ditambah bias:
a^(l+1) = f(W^(l) * a^(l) + b^(l))
*Di sini, W^(l) adalah matriks bobot, a^(l) adalah vektor aktivasi input, dan b^(l) adalah vektor bias. Fungsi aktivasi f dapat berupa fungsi non-linier seperti sigmoid, ReLU (Rectified Linear Unit), atau tanh.
Propagasi Maju (Forward Propagation)
Propagasi maju adalah proses di mana input diproses melalui lapisan-lapisan jaringan untuk menghasilkan output akhir. Ini melibatkan serangkaian operasi perkalian matriks dan penerapan fungsi aktivasi pada setiap lapisan:
a^(l+1) = f(W^(l) * a^(l) + b^(l))
Selama proses ini, informasi dari input melewati setiap lapisan, dimodifikasi oleh bobot dan bias, dan diubah oleh fungsi aktivasi, hingga mencapai lapisan output.
