Belajar Perhitungan Manual Artificial Neural Network Perceptron di Ms Excel

Pengenalan Artificial Neural Network

Overview: Pada kesempatan kali ini kita akan membahas mengenai artificial neural network untuk aseton, salah satu topik dalam machine learning yang cukup populer dan digunakan jika ingin melakukan klasifikasi.

Apa itu Artificial Neural Network?

• Sistem ini mengadopsi sistem saraf manusia dalam pemrosesan informasi.

• Terdiri dari vektor-vektor masukkan atau data-data yang diberikan untuk kemudian diproses agar menghasilkan sebuah keputusan.

• Terdapat beberapa istilah penting seperti layer atau lapisan, input layer, bobot, fungsi aktivasi, output layer dan Y.

Layer pada Artificial Neural Network

• Input layer terdiri dari X1, X2 dan X3 dengan masing-masing mempunyai bobot W1, W2 dan W3.

• Fungsi aktivasi digunakan untuk memproses data-data masukan agar bisa menghasilkan output Y pada output layer.

Training dan Testing pada Artificial Neural Network

• Training adalah proses untuk mengenali pola pada data yang tersedia untuk mendapatkan model atau bobot akhir yang akan digunakan dalam memprediksi input yang masuk.

• Setelah melakukan training maka model tersebut akan diuji menggunakan testing.

Contoh Kasus Penggunaan Artificial Neural Network

• Contoh kasus penggunaan artificial neural network adalah prediksi terhadap calon customer suatu perusahaan apakah mereka layak diberikan pinjaman atau tidak berdasarkan harta dan utang mereka.

Algoritma Fractal

Overview: Pada bagian ini, dijelaskan mengenai algoritma fractal yang digunakan untuk memprediksi status seseorang apakah bangkrut atau tidak.

Referensi dan Threshold

• Beberapa referensi ditentukan pada interval 0-1.

• Menentukan threshold sebagai batas penentuan hasil prediksi.

• Threshold digunakan untuk menentukan apakah seseorang masuk kategori bangkrut atau tidak.

Menghitung Nilai P

• Algoritma kedua menghitung nilai P dengan mengalikan data inputan dan bobot masing-masing.

• Fungsi aktivasi yang sering digunakan adalah sigmoid biner.

• Error dihitung sebagai selisih antara target nilai y dan y prediksi.

Iterasi Bobot Baru

• Jika masih ada selisih antara y dan y aksen, maka dilakukan iterasi menggunakan bobot baru.

• Rumus untuk menghitung bobot baru sama dengan bobot selama ditambah e-learning Arabnya dikali datanya.

• Proses iterasi dilakukan hingga tidak ada lagi selisih antara target dan prediksi.

Perhitungan Manual di Excel

Overview: Bagian ini menjelaskan cara melakukan perhitungan manual menggunakan Excel.

Data Inputan

• Data inputan terdiri dari harta, x1, x2, dan status (bangkrut/tidak).

• Bertujuan untuk memprediksi status seseorang berdasarkan jumlah harta dan utangnya.

Inisialisasi Bobot Awal

• Terdapat dua bobot awal karena variabel prediktornya terdiri dari x1 dan x2.

• Leverage biasanya berkisar antara 0-1, sedangkan threshold diatur menjadi nol.

Menghitung V

• Tabel digunakan untuk menghitung nilai V.

• Nilai V dihitung dengan menjumlahkan hasil kali antara data inputan dan bobot masing-masing.

Prediksi Status

• Setelah mendapatkan nilai V, dilakukan prediksi status seseorang berdasarkan jumlah harta dan utangnya.

• Data kategori untuk status dibagi menjadi tidak bangkrut (1) dan bangkrut (0).

• Proses perhitungan error dilakukan menggunakan data yang sudah dikategorikan.

Menghitung PH Song Paul Rumus V

Overview: Pada bagian ini, dijelaskan mengenai rumus untuk menghitung nilai PH Song Paul.

Rumus Menghitung Nilai PH Song Paul

• Rumus untuk menghitung nilai PH Song Paul adalah jumlah dari hasil kali data dan bobotnya.

• Data pertama (X1) dikalikan dengan bobot pertama (W1).

• Data kedua (X2) dikalikan dengan bobot kedua (W2).

• Hasil perkalian antara X1 dan W1 ditambah dengan hasil perkalian antara X2 dan W2 akan menghasilkan nilai V.

• Selanjutnya, dilakukan perhitungan untuk mendapatkan nilai y aksen menggunakan fungsi sigmoid biner. Jika nilai V kurang dari threshold, maka nilainya adalah 0. Jika tidak, maka nilainya adalah 1.

Perhitungan Error

Overview: Bagian ini menjelaskan tentang perhitungan error pada model yang dibuat.

Perhitungan Error

• Error dapat dihitung dengan cara selisih antara nilai y dan y aksen.

• Untuk memperbarui bobot lama menjadi bobot baru, digunakan rumus: Bobot baru = Bobot lama + Learning rate * Error * X.

Memperbarui Bobot Baru

Overview: Bagian ini menjelaskan tentang cara memperbarui bobot baru pada model yang dibuat.

Memperbarui Bobot Baru

• Untuk memperbarui bobot baru, digunakan rumus: Bobot baru = Bobot lama + Learning rate * Error * X.

• Delta W1 dan Delta W2 dapat dihitung dengan cara mengurangkan bobot baru dengan bobot lama.

• Bobot lama berada di atas bobot baru pada data pertama, sehingga untuk perhitungan pertama harus dilakukan secara manual. Namun, untuk data kedua dan seterusnya, bobot lama dapat didrag ke bawah.

Menghitung Bobot Baru

Overview: Bagian ini menjelaskan tentang cara menghitung bobot baru pada model yang dibuat.

Menghitung Bobot Baru

• Untuk menghitung bobot baru, digunakan rumus: Bobot baru = Bobot lama + Learning rate * Error * X.

• Delta W1 dan Delta W2 dapat dihitung dengan cara mengurangkan bobot baru dengan bobot lama.

• Setelah mendapatkan nilai delta, maka dapat langsung dimasukkan ke dalam rumus untuk mendapatkan nilai bobot baru.

Proses Perhitungan Bobot

Overview: Dalam video ini, dijelaskan tentang proses perhitungan bobot untuk memprediksi apakah seorang calon pelanggan akan bangkrut atau tidak.

Pembentukan Pola dalam Perhitungan Bobot

• Mitos sudah membentuk pola dalam perhitungannya atau rumus-rumusnya.

• Proses iterasi akan berlangsung beberapa kali hingga errornya bernilai nol.

• Setelah satu iterasi, iterasi berikutnya hanya melakukan raksajaya hingga errornya bernilai nol semua.

Data yang Digunakan

• Data yang digunakan adalah x1 dan x2 sebagai variabel input serta y sebagai variabel output.

• Dilakukan perbaikan pada data kedua untuk menghasilkan delta W1 baru.

Hasil Iterasi Terakhir

• Error pada iterasi keempat sudah nol.

• Bobot akhir untuk iterasi terakhir adalah W1 = 0,4 dan W2 = -0,25.

• Dengan menggunakan rumus yang sama untuk proyek prediksi, sistem memprediksi bahwa data dengan RT 007 dan utang 0,6 masuk kategori tidak bangkrut.

Pembagian Data untuk Training dan Pengujian

Ikhtisar Bagian: Pada bagian ini, pembicara menjelaskan tentang pembagian data untuk training dan pengujian dalam machine learning.

Pembagian Data

• Sebanyak 100 data biasanya dibagi menjadi 60% untuk training dan 40% untuk pengujian.

• Pembagian tersebut digunakan untuk melihat seberapa baik akurasi model yang dibuat.

• Untuk perhitungan manual, Excel dapat digunakan.

• Metode nn Persib Throne juga dapat digunakan pada Excel.

Penutup

Ikhtisar Bagian: Pada bagian ini, pembicara menyimpulkan materi yang telah dijelaskan dan memberikan informasi tentang video-video selanjutnya.

Pembicara menyimpulkan bahwa ia telah menjelaskan tentang metode nn Persib Throne pada Excel. Ia juga mengatakan bahwa akan ada video-video selanjutnya yang membahas metode-metode lain dalam statistika atau machine-learning.