"Apa itu forward pass dan apa yang diperlihatkan animasinya?"

"Forward pass adalah perjalanan data sekali arah dari input ke output: setiap neuron menghitung jumlah tertimbang input (z = Σw·x + b), mengoperasikan fungsi aktivasi, lalu meneruskan hasilnya (a) ke lapisan berikutnya. Animasi menyorot koneksi yang menyala berurutan — input ke tersembunyi, tersembunyi ke output — supaya terlihat bahwa prediksi akhir bukan sulap, melainkan rantai perkalian dan aktivasi berlapis yang bisa dihitung tangan."

"Apa fungsi aktivasi dan kenapa sigmoid, ReLU, dan tanh memberi hasil berbeda?"

"Tanpa fungsi aktivasi, semua lapisan neural network runtuh menjadi regresi linear — berapa pun lapisannya. Fungsi aktivasi menyuntikkan non-linearitas. Sigmoid menekan nilai ke rentang 0–1 (cocok untuk probabilitas); ReLU memotong nilai negatif ke nol dan membiarkan positif lolos (cepat dilatih, standar di deep learning); tanh berpusat di nol pada rentang −1..1. Di widget, mengganti fungsi tersembunyi langsung mengubah a tiap neuron, yang mengalir sampai ke output."

"Kenapa neuron output memakai sigmoid, bukan fungsi tersembunyi yang saya pilih?"

"Karena tugas output di kasus ini klasifikasi biner: memprediksi peluang warung ramai besok (0 sampai 1). Sigmoid pada output secara alami menghasilkan angka antara 0 dan 1 yang bisa dibaca sebagai probabilitas dan cocok dilatih dengan binary cross-entropy. Fungsi tersembunyi bebas dipilih sesuai karakteristik data, sedangkan fungsi output ditentukan oleh jenis masalah: regresi memakai identitas, klasifikasi multikelas softmax, klasifikasi biner sigmoid."

Anatomi Neural Network · stdsquare²

Di balik nama yang mewah, neural network dasarnya hanyalah jaringan neuron penghitung sederhana. Kasus widget ini: Warung Bu Sri memprediksi peluang RAMAI PEMBELI besok dari tiga sinyal — omzet kemarin (skala 0–1), apakah besok hari gajian (1=ya), dan apakah cuaca cerah (1=ya). Arsitekturnya 3 input → 3 neuron tersembunyi → 1 output, dengan bobot dan bias yang tetap (deterministik) supaya tiap angka bisa diurus satu per satu.

Animasi forward pass menyalakan koneksi secara bertahap: input mengalir ke lapisan tersembunyi, hasil aktivasi diteruskan ke output, lalu sigmoid terakhir menghasilkan probabilitas. Setiap neuron bisa diklik untuk membedah isi perutnya — nilai z pra-aktivasi, nilai a yang diteruskan, dan bentuk kurva fungsinya — menjadikan black box terbaca sebagai rangkaian aritmetika transparan.

Cara Pakai

Biarkan animasi berputar, lalu ubah dropdown Aktivasi tersembunyi (Sigmoid / ReLU / tanh) dan lihat nilai tiap neuron tersembunyi serta output berubah. Klik neuron mana pun pada kanvas — neuron input menunjukkan nilai mentahnya, neuron tersembunyi dan output menampilkan z, a, dan kurva aktivasi lengkap dengan titik posisi z saat ini. Tombol Jeda menghentikan animasi untuk membaca tenang; ↻ Ulang memulai dari awal; ↺ Reset mengembalikan semuanya.

Rumus Kunci

$$z = \sum_i w_i x_i + b$$$$a = f(z), \qquad f \in \{\text{sigmoid},\ \text{ReLU},\ \tanh\}$$$$\hat{y} = \sigma(z_{out}) = \frac{1}{1 + e^{-z_{out}}}$$

Contoh Angka

Dengan input x = (0,8; 1; 0) — omzet kemarin tinggi dan besok hari gajian — neuron tersembunyi pertama menghitung z = 1,4(0,8) + 0,9(1) + (−0,6)(0) + (−0,5) = 1,52. Lewat sigmoid, a ≈ 0,82 diteruskan ke lapisan output. Proses serupa untuk dua neuron lainnya, lalu output menjumlahkan kembali dan sigmoid akhir menghasilkan peluang ramai — angka itulah prediksi jaringan ini.

Melihat z dan a per neuron seperti ini adalah cara tercepat memahami dua ide besar sekaligus: bobot menentukan arah pengaruh tiap sinyal (positif atau negatif), dan aktivasi menentukan seberapa non-linear pemetaan keseluruhan — fondasi sebelum melangkah ke backpropagation dan pelatihan.

Anatomi Neural Network

Cara Pakai

Rumus Kunci

Contoh Angka

Terkait