16 Mei 2022

Kuliah W10 Deep Learning

Untuk kuliah W10 pekan ini anda diminta untuk menyaksikan video pembelajaran deep learning berikut ini, setelah itu anda diminta menuliskan 3 poin berupa 3 kalimat yang menurut anda penting untuk dipahami dan menjadi hal baru bagi anda:
1. ...
2. ...
3. ...

https://www.youtube.com/watch?v=umEq2uUwrGE&list=PLGn1wRmlR3Mtz5i4k4qyd5qQjOtm9JSC6

Tuliskan jawaban anda di bagian komentar dari artikel ini dg syarat:

1. Jawaban anda harus dikirim ke kolom komentar paling lambat hari ini 17 Mei 2022 pukul 13.00

2. Jawaban anda tidak boleh sama dengan jawaban rekan anda yang sudah menulis di kolom komentar lebih dulu

3. Jawaban anda musti merupakan kalimat anda sendiri.

4. Untuk setiap jawaban yang anda berikan, jangan lupa tuliskan: NPM, NAMA, KELAS

32 komentar:

Haikal A mengatakan...

NPM: 53418015
Nama: Haikal Ardikatama
Kelas: 4IA01

1. Artificial Neural Network adalah suatu persamaan yang menjadi dasar dan pondasi dari Deep Learning. ANN terinspirasi dari jaringan syaraf manusia yang kemudian diterjemahkan ke persamaan matematika yang terdiri dari 4 bagian Input, activation function, bias / bobot, dan output.

2. Activation Function adalah suatu fungsi yang bertujuan untuk mengaktifkan node yang ada pada ANN. Fungsi ini berbasis persamaan matematika yang rentannya dari 0-1 / -1-1 tergantung dari activation function yang digunakan (ReLU/ TanH/ Lainnya).

3. Layer / lapisan adalah suatu bagian dari deep learning. Semakin dalam suatu model deep learning maka semakin banyak layer / lapisan yang digunakan. Terdapat 3 jenis layer yang biasa digunakan yaitu :
a. input layer: layer yang bertujuan untuk menerima inputan data
b. hidden layer: layer yang digunakan untuk memproses dan mengolah informasi dari data
c. output layer: layer yang mengubah informasi yang telah diekstrak ke dalam output yang kita inginkan (bisa regresi, multilabel, atau multiclass)

Hanif1807 mengatakan...

Nama: Muhammad Hanif Mushlih
NPM: 54418663
Kelas: 4IA01

1. Deep Learning secara spesifik digunakan untuk data yang tidak terstruktur. Gunakan Deep Learning pada suatu masalah yang lebih kompleks jika Artificial Intelligence atau Machine Learning tidak menghasilkan solusi yang memuaskan.

2. Fungsi aktivasi linear dispesifikasikan untuk masalah regresi (numerik), sedangkan fungsi aktivasi sigmoid dispesifikasikan untuk masalah klasifikasi (kategorik).

3. Aktivasi untuk hidden layer harus menggunakan nonlinear, jika tidak, maka tidak akan menambah kombinasi baru dan arsitekturnya tidak akan multi-layered.

Reynaldo mengatakan...

NPM : 56418040
Nama : Reynaldo William Tendean
Kelas : 4IA01

1. deep learning mengerjakan semua tahapan dari input sampai output
2. tipe machine learning tidak hanya terbatas tiga jenis supervised learning, un-supervised learning, dan reinforcement learning
3. kita dapat memprediksi dua hal sekaligus seperti regresi dan klasifikasi atau multitask

Mateus Wiseso mengatakan...

NPM: 54418017
Nama: Mateus Wiseso
Kelas: 4IA01

1. Multi Layer Perceptron merupakan nama lain dari Neural Network, yang telah ada dari jaman dahulu dalam dunia matematika
2. Idea dari neural network pada dasarnya adalah regresi dari regresi, dilakukan kombinasi linear untuk menghasilkan feature baru yang kemudian dikombinasi linear lagi sesuai yang kita butuhkan.
3. Optimizer akan mencarikan nilai weigth untuk setiap garis yang menghubungkan node antar layernya secara berbarengan, akan dicari nilai weight yang terbaik untuk menghasilkan nilai error yang kecil

Luthfy Adriansyah mengatakan...

NPM : 53418873
Nama : Luthfy Adriansyah Nasution
Kelas : 4IA01

1. Kombinasi linear adalah fitur-fitur yang di kombinasikan dengan cara perkalian dan penjumlahan, sehingga persamaan yang dapat di bentuk adalah y = ax1 + bx2 + cx3

2. Fungsi aktivasi adalah fungsi yang diberikan setelah melakukan kombinasi linear (contoh aktivasi sigmoid, aktivasi identitas, dll)

3. Feature engineering/exctraction adalah proses melakukan kombinasi fitur awal (sebelumnya) hingga menjadi fitur yang baru untuk dilakukan training dalam proses deep learning

Sena Prayuda mengatakan...

NPM : 56418595
NAMA : Sena Prayuda
Kelas : 4IA08

1. Multitask adalah menggunakan feature yang sama dan mempelajari 2 task sekaligus

2. Aktivasi yang di hidden layer tidak boleh linear dan harus linear karena, maka akan kembali menjadi aktivasi regression

3. Feature extraction adalah feature yang kita punya lalu di ekstrak dan menghasilkan feature terbaru

Crislie Santoso mengatakan...

NPM : 51418581
Nama : Crislie Santoso
Kelas : 4IA01

1. Kombinasi Linear (Y = ax1, bx2, cx3) terdiri dari perkalian skalar dan penjumlahan. Artinya, mengkombinasikan fitur (x1, x2, x3) untuk digabung menjadi nilai Y dengan cara memberi bobot pada a,b, dan c.
2. Optimizer yang umum digunakan adalah Gradient Design (menuruni bukit).
3. Multi Layer Perceptron (MLP) merupakan perceptron yang terdiri dari beberapa berlapis, cara kerjanya adalah dengan cara mengkombinasikan fitur yang ada di layer pertama kemudian kombinasikan lagi fitur yang ada di layer kedua dan terakhir kombinasikan fitur yang ada di layer selanjutnya untuk menghasilkan prediksi akhir.

Carolina Indri Ditya mengatakan...

NPM : 51418503
Nama: Carolina Indri Ditya
Kelas: 4IA01

1. pada saat megkombinasi terdapat weight, neuron, dan activation. yang berbentuk bulat dinamakan neuron karena menyerupai jaringan saraf buatan.
2. think deep yaitu kombinasinya banyak namun seiring dengan berjalannya layer.
3. semakin ke belakang, fitur akan semakin kompleks sehingga tidak perlu kombinasi yang terlalu banyak logikanya.

Alraja Triputra mengatakan...

NPM : 50418596
Nama : Alraja Triputra
Kelas : 4IA08

1. Machine learning adalah teknologi pencari pola, pencari pattern dan pattern itulah yang menjadi rules yang kita pakai

2. Deep learning lebih baik digunakan apabila datanya tidak berstruktur, seperti untuk data image dan untuk data text

3. Feature extraction merupakan fitur yang sudah kita miliki lalu kita harus mengekstraknya sehingga kita mendapatkan fitur yang baru

Dewi Irwan mengatakan...

NPM: 51418817
Nama: Dewi Irwan
Kelas: 4IA01

1. Ilustrasi deep learning ada 4 yaitu data, feature engineering, training, dan output

2. Terdapat salah satu persamaan matematik yang digunakan untuk menyelesaikan kombinasi linear yaitu y = ax1 + bx2 + cx3 yang dapat direpresentasikan dalam bentuk node

3. Think Wide tidak perlu menggunakan banyak layer namun kita akan memperbanyak neuronnya karena jika neuronnya banyak maka akan banyak juga kombinasinya dengan harapan kombinasi tersebut sudah complex. Jika sudah complex, maka kombinasinya dapat digunakan untuk prediksi

Fauzan mengatakan...

NPM : 54418166
Nama : Mochamad Fauzan R Lapadengan
Kelas : 4IA08

1. Jadi sebelum kita akan terjun di dunia deep learning kita harus terlebih dahulu mengerti mengenai konsep neural network dan pemahamannya yang lebih jauh agar pada saat kita membuat project yang berhubungan dengan deep learning maka kita akan lebih mudah memahaminya.
2. Perbedaan Multiclass dan Multilabel : Multiclass itu seperti kelasnya bisa banyak tapi yang di prediksi hanya satu contoh gambar kucing dari tiga kategori. kemudian Multilabel itu prediksinya bisa lebih dari satu contoh misal dalam gambar tersebut terdapat 2 kategori jadi dua kategori itu yang akan di prediksi.
3.nerual network playground tools yang digunakan untuk pengaplikasian nerual network contoh training datanya.

Meiyanto mengatakan...

Nama:Meiyanto
NPM:54418070
Kelas:4IA08

1. perbedaan multiclass dan multilabel :
- kalau multiclass itu fokus yang dicari hanya 1 walaupun di dalam pencariannya ada 2 gambar, contoh gambar (cat vs fish vs dog) jika gambar yang tertera adalah cat lebih besar dan ada dog kecil maka % yang lebih tinggi ke cat saja karena multiclass menggunakan (cat OR fish OR dog).

- sedangkan multilabel itu jika gambar yang tertera ada 2 maka itu % nya terbagi sama rata, contoh gambar (cat vs fish vs dog) jika gambar yang tertera adalah cat lebih besar dan ada fish kecil maka % yang lebih tinggi ke cat dan fish karena multilabel menggunakan (cat AND fish AND dog).

2. softmax itu digunakan untuk mencari multiclass

3. sigmoid itu digunakan untuk mencari multilabel

Septian mengatakan...

NPM : 56418600
Nama : Septian Dwi Susanto
Kelas : 4IA08

1. saat kombinasi linear semua data yang ada di X1 dan X2 dikombinasi linear maka semua data yang di feedforward. Kalau menggunakan batching maka ukuran matrix nya (batch_size, n_feature) Kalau langsung semuua data train di feedforward berarti ukuran matrix nya (n_data, n_feature)

2. supaya mengurangi trail error di neural network maka kita pake n_neuron itu adalah pangkat 2

3. deep learning diciptakan untuk membuat kinerja dari unstructured data menjadi lebih optimal pada sebuah website maupun aplikasi

Muhammad Rizal Firdaus mengatakan...

Nama:Muhammad Rizal Firdaus
NPM:54418907
Kelas:4IA01

1. Proses konvolusi dan pooling dapat diulang beberapa kali hingga menghasilkan sebuah Convolutional Neural Network
2. pooling yang dilakukan adalah max pooling, atau mengambil nilai pixel terbesar di setiap pooling kernel.
3. konteks neural network disebut sebagai weights sharing.

jelshiana melani mengatakan...

Nama : Jelshiana Melani
NPM : 53418467
Kelas : 4IA08

1. Neural network merupakan transisi antara machine learning dan deep learning
2. Semakin sedikit kita menggunakan fitur maka kombinasi semakin Banyak
3. Neural network dapat memprediksi dalam waktu yang lebih cepat dan Hasil yang lebih tepat

Muhammad Zaid Taqy mengatakan...

NPM: 55418002
Nama: Muhammad Zaid Taqy
Kelas: 4IA01

1. Perbedaan multi class dan multi label :
- Multi Class, dimana terdapat beberapa class namun prediksinya cuman satu. Dari prediksi tersebut hanya diambil satu yang paling tinggi nilainya.
- Multi Label, dimana dalam gambar yang sama terdapat beberapa prediksi. Jika gambar mengandung gambar kucing sedang menggigit ikan makan persentasi nya bisa jadi cat 95% dan fish 95% karena di gambar tersebut ada kucing dan ikan.
Singkatnya, Multi Class itu 'pick one' yang mengambil gambar yang paling dominan, sedangkan Multi Label adalah masing-masing dimana mengambil setiap probability dari setiap gambar yang ada.

2. Perbedaan antara Keras, PyTorch, dan Tensorflow jika dilihat dari segi yang detail adalah dimana Keras itu wrapper (bungkus), Keras dapat menggunakan framework lain misal didalamnya ada Tensorflow/caffe/dll sehingga sangat mudah dipahami. PyTorch ada di tengah-tengah sehingga ada fleksibilitas / intuitif yang mengakibatkan mudah untuk dipahami dan digunakan namun lebih baik dari Keras. Tensorflow cukup sulit untuk di pelajari dan dari sisi code juga lebih rumit dari Keras dan PyTorch.

3. Hal yang dilakukan dibalik layar adalah Features Engineering (membuat sebuah fitur) yang jika di regresi maka hasilnya akan bagus.

M. Gibran Aqsa mengatakan...
Komentar ini telah dihapus oleh pengarang.
Panji mengatakan...

NPM : 54481802
Nama : Muhammad Panji Trihastoro
Kelas : 4IA01

1. Perbedaan Machine Learning dan Deep Learning adalah pada pengerjaan, pada Machine learning manusia yang mengerjakan feature engineering dan mesin yang akan melakukan training. Sebaliknya, pada deep learning mesin yang mengerjakan semuanya

2. Fungsi Aktivasi dapat menggunakan 2 Jenis regresi yaitu Linear regresi yang menggunakan fungsi identitas dan logistic regresi yang menggunakan fungsi sigmoid

3. Pada neural network terdapat 3 layer: input layer (yang berisi input user) - hidden layer (proses) - output layer (Hasil)

Kresnanda caesaro bambang riyadi mengatakan...

Nama : Kresnanda caesaro bambang riyadi
NPM : 53418711
Kelas : 4IA08

1. AI = Jika kasus terlalu kompleks untuk diprogram secara eksplisit, biarkan mesin yang mencari pola dari kasus itu

2. Machine Learning = Apabila terlalu banyak kombinasi feature engineering, biarkan mesin yang mencari kombinasi feature engingeering itu

3. fungsi aktivasi = fungsi yang diberikan setelah kombinasi linear

shellavero1912 mengatakan...

NPM : 56418665
Nama : Shella Veronica
Kelas : 4IA01

3 poin yang menurut saya penting untuk dipahami dan menjadi hal baru bagi saya:
1. Deep learning (dimulai dari proses input, feature engineering, training, sampai output prediksi) lebih spesifik dan sangat cocok untuk kasus unstructured data (data tak terstruktur), seperti data image dan data text.
2. Fungsi aktivasi bisa dilakukan tuning (berbeda jenis aktivasinya) dengan menggunakan aktivasi non-linear dan hanya bisa dilakukan pada hidden layer saja, sedangkan yang di ujung tidak karena harus disesuaikan dengan kasusnya.
3. Pencarian multiclass menggunakan softmax (ada beberapa jenis input, tapi output prediksi yang paling nampak hanya ada 1) dan pencarian multilabel menggunakan sigmoid (ada beberapa jenis input dan tiap input mempunyai prediksi probabilitasnya masing-masing).

Unknown mengatakan...

NPM: 53418794
Nama: Lingga Adi Atmadja
Kelas: 4IA05

1. Single Layer Perceptron hanya memiliki satu layer pemrosesan, sedangkan Multi Layer Perceptron lebih dari satu.

2. ANN terdiri dari layer-layer yaitu input layer, hidden layer, dan output layer.

3. Dalam menentukan jumlah neuron pada ANN, dapat menggunakan pangkat dua (2, 4, 8, dst). Jika overfit, maka dapat menurunkan satu langkah pangkat di bawahnya (contoh dari 8, ke 4).

M. Gibran Aqsa mengatakan...

NPM : 54418229
Nama : Mohammad Gibran Aqsa
Kelas : 4IA01

1. Pada neural network, fitur-fitur pada data input dikombinasikan terlebih dahulu menjadi fitur baru sebelum akhirnya digunakan untuk regresi atau klasifikasi.
2. Pada neural network, hidden layer dapat terdiri lebih dari satu.
3. Softmax, Sigmoid, dan ReLU tergolong kedalam fungsi aktivasi non-linier.

Lisa Angeline mengatakan...

NPM : 53418803
Nama : Lisa Angeline
Kelas : 4IA01

1. Deep Learning digunakan disaat terlalu banyak kombinasi feature engineering, maka Deep Learninglah yang akan mencari kombinasi dari feature engineering itu. Deep Learning banyak digunakan untuk unstructured data.

2. Aktivasi yang digunakan pada hidden layer tidak boleh linear karena jika menhgunakan linear hasil formula matematikanya akan kembali menjadi formula regresi biasa seperti seakan-akan tidak terdapat multilayernya.

3. Machine Learning menggunakan scikit-learn karena cepat, dokumentasi rapi, lengkap dan mudah digunakan.
Deep Learning dapat menggunakan banyak framework seperti CNTK, Chainer, Theano, MXNet, Torch, Caffe, Keras, PyTorch, dan TensorFlow. PyTorch banyak digunakan sekarang ini dibandingkan dengan framework Keras dan TensorFlow karena punya fleksibilitas yang sama dengan TensorFlow tetapi code lebih mudah daripada TensorFlow. PyTorch dikembangkan oleh Facebook sedangkan TensorFlow dikembangkan oleh Google.

Muhammad Fauzan mengatakan...

Nama :Muhammad Fauzan
NPM :54418619
Kelas :4IA08

1. Multi layer perceptron jaringan neuron atau saraf yang saling terhubung dengan neuron lainnya dengan neuron bobot penghubung
2. aktivasi fungsi yang digunakan pada jaringan saraf untuk mengaktifkan atau tidak mengaktifkan neuron.
3. Deep learning memproses unstructured data seperti teks , manipulasi,dan gambar.

Ilham mengatakan...

NPM : 54418704
Nama : Muhammad Ilhamsyah Putera
Kelas : 4IA01

1. Nueral network datang dari kombinasi dari beberapa fitur yang akan menghasilkan fitur baru yang dinamakan feature extraction.
2. Gradient descent digunakan untuk mencari error terendah maka Weight adalah error atau loss terendah.
3. Perbedaan neural network regressor dan classifier hanya terletak pada bagian aktivasi seperi classifier menggunakan sigmoid. Maka regressor dan classifier dapat menggunakan fitur yang sama.

Fariz Rachmansyah mengatakan...

NPM: 52418560
Nama: Fariz Rachmansyah
Kelas: 4IA08

1. Optimizer merupakan kemampuan mesin untuk menentukan nilai pada rumus sendiri dalam melakukan training model
2. Neural Network adalah regresi dari regresi. Menentukan fitur baru dari hasil ekstrasi fitur-fitur yang sudah ada sebelumnya.
3. Selain melakukan regresi, Neural Network juga dapat dilakukan untuk klasifikasi.

Fikri Syahfalaq mengatakan...

NPM: 54418633
Nama: Muhammad Fikri Syahfalaq Putra
Kelas: 4IA01

1. Neural network pada dasarnya kombinasi linear yang dihasilkan dari kumpulan feature sebelumnya yang dikombinasikan.
2. Deep learning sangat cocok diaplikasikan untuk data gambar, text, dan audio karena data tersebut merupakan unstructured data.
3. Reinforcement learning dapat menggunakan neural network, hal tersebut menjadikannya deep reinforcement learning

Ana mengatakan...

50418678
Ana Marisa
4IA05

1. Illustration layer terdiri dari Input Layer yang berupa fase awal berupa inputan kita, Hidden Layer atau layer yang tidak terlihat, dan Output Layer yang merupakan target dari prediksi kita.

2. Aktivasi untuk hidden layer harus nonlinear karena jika menggunakan linear, MLP akan menjadi perceptron dan NN multi layer menjadi logistic regression (linear regression).

3. Multiclass: pick one dari suatu output (biasa menggunakan softmax)
Multilabel: masing-masing probability dari setiap output (biasa menggunakan sigmoid)

Dian Ayu Safitri mengatakan...

NPM: 51418867
Nama: Dian Ayu Safitri
Kelas: 4IA05

1. perbedaan machine learning dan deep learning adalah biasanya manusia yang melakukan feature engineering dan komputer yang akan melakukan training. Tetapi deep learning dapat melakukan keduanya.
2. Deep learning sangat cocok untuk melakukan proses terhadap unstructured data
3. Terdapat istilah weight, neuron, dan activation. Pada saat mengkombinasi disebut bobot atau weight. Kemudian terdapat neuron yang mirip dengan jaringan saraf buatan. Dan terakhir terdapat fungsi aktivasi yang diberikan setelah kombinasi linear

Arjuna mengatakan...

NPM : 51418106
Nama : Arjuna Rachmat Omar
Kelas : 4IA01

1. Idea dari neural network selalu dihubungkan dengan jaringan saraf karena memang cara kerja neural network sama dengan cara kerja jaringan saraf pada manusia. Neural network juga memiliki nama lain yang biasa disebut dengan Multi Layer Perceptron atau MLP. Neural network memiliki 3 komponen utama yaitu weights, neuron, dan activation.
2. Fungsi aktivasi merupakan fungsi yang digunakan pada jaringan saraf untuk mengaktifkan atau tidak mengaktifkan neuron.
3. Pada neural network, terdapat hidden layer dan biasanya hidden layer terdiri dari 2 layer. Untuk mengaktivasi hidden layer harus menggunakan fungsi nonlinear karena kalau linear tidak akan menambah kombinasi baru. 3 fungsi untuk mengaktivasi hidden layer adalah :
a. Sigmoid
b. Tanh
c. ReLU

Shidqi Caecar mengatakan...

NPM: 56418679
Nama: Shidqi Caecar Himawan P.
Kelas: 4IA05

1. Activation Function berfungsi untuk mengaktifkan node yang ada pada ANN.

2. Feature exctraction adalah proses mengkombinasikan fitur awal hingga menjadi fitur yang baru untuk dilakukan training dalam proses deep learning.

3. Deep learning digunakan untuk unstructured data.

ilyastowae mengatakan...

NPM : 54418706
Nama : Muhammad Ilyas Saputro
Kelas : 4IA05

1. Tidak sepenuhnya machine learning itu adalah black box menurut sebagian beberapa orang pada bagian hidden layer, dapat dianalisa, salah satunya kombinasi linear untuk menghasilkan fitur baru.
2. Perbedaan multiclass dan multilabel ialah multiclass atau kelas banyak adalah saat sebuah data diprediksikan semisal gambar untuk diklasifikasikan ke dalam satu kelas tertentu yang paling dominan sehingga akan menghasilkan akumulasi dari semua kelas berupa 100%, sedangkan multilabel ialah saat sebuah data yang diprediksikan akan dicari apakah terdapat banyak label didalamnya sehingga masing-masing label memiliki persenannya masing-masing mengenai keterprediksiannya
3. Logistic regression tidak memerlukan hidden layer, jika menggunakannya satu saja maka dapat dinamakan transisi antara deep learning dan neural network