LMS-SPADA INDONESIA
Glosarium
Glosarium Pertemuan ke 13
Syarat penyelesaian
| Istilah | Istilah Inggris | Definisi Singkat |
|---|---|---|
| Jaringan Syaraf Tiruan | Artificial Neural Network (ANN) | Model komputasi yang terinspirasi dari cara kerja neuron biologis dan terdiri dari lapisan-lapisan (layer) yang saling terhubung. |
| Neuron Tiruan | Artificial Neuron | Unit pemrosesan dasar pada jaringan syaraf yang menerima input, menjumlahkannya dengan bobot, lalu menerapkan fungsi aktivasi. |
| Lapisan Masukan | Input Layer | Lapisan awal dalam jaringan yang menerima data mentah (fitur) dari luar. |
| Lapisan Tersembunyi | Hidden Layer | Lapisan di antara input dan output yang bertugas mengekstraksi pola dan representasi dari data. |
| Lapisan Keluaran | Output Layer | Lapisan terakhir yang menghasilkan prediksi, baik berupa kelas maupun nilai numerik. |
| Pembelajaran Mendalam | Deep Learning | Pendekatan pembelajaran mesin yang menggunakan jaringan syaraf dengan banyak hidden layer untuk mempelajari representasi data kompleks. |
| Jaringan Syaraf Dalam | Deep Neural Network (DNN) | Jaringan syaraf tiruan yang memiliki lebih dari dua lapisan tersembunyi sehingga membentuk arsitektur yang dalam. |
| Fungsi Aktivasi | Activation Function | Fungsi non-linear pada neuron tiruan yang menentukan keluaran berdasarkan nilai masukan terakumulasi. |
| Jaringan Syaraf Konvolusional | Convolutional Neural Network (CNN) | Arsitektur deep learning yang menggunakan operasi konvolusi untuk mengekstraksi pola spasial dari citra atau data grid. |
| Jaringan Syaraf Berulang | Recurrent Neural Network (RNN) | Arsitektur deep learning yang dirancang untuk data berurutan dan memiliki memori melalui hidden state yang berulang. |
| Long Short-Term Memory | LSTM | Varian RNN dengan mekanisme gerbang (gates) yang mampu mengingat dan melupakan informasi sehingga stabil untuk urutan panjang. |
| Gated Recurrent Unit | GRU | Varian RNN yang lebih sederhana dari LSTM dengan jumlah gerbang lebih sedikit namun tetap menangani dependensi jangka panjang. |
| Konvolusi | Convolution | Operasi matematika pada CNN yang menggeser filter kecil di atas input untuk menghasilkan peta fitur. |
| Lapisan Pooling | Pooling Layer | Lapisan yang mereduksi ukuran peta fitur dengan mengambil nilai maksimum atau rata-rata dalam jendela tertentu. |
| Backpropagation | Backpropagation | Algoritma untuk menghitung gradien error dari output ke setiap bobot dengan menerapkan aturan rantai kalkulus. |
| Fungsi Loss | Loss Function | Fungsi yang mengukur seberapa jauh prediksi model dari nilai target; digunakan sebagai dasar pembaruan bobot. |
| Laju Pembelajaran | Learning Rate | Parameter yang mengatur seberapa besar langkah perubahan bobot pada setiap iterasi pembelajaran. |
| Epoch | Epoch | Satu putaran penuh proses pelatihan di mana seluruh data pelatihan telah digunakan sekali untuk memperbarui bobot. |
| Batch | Batch / Mini-batch | Sub-kumpulan data pelatihan yang digunakan sekaligus untuk satu langkah pembaruan bobot. |
| Overfitting | Overfitting | Kondisi ketika model terlalu menyesuaikan diri dengan data pelatihan sehingga performanya buruk pada data baru. |
| Regularisasi | Regularization | Teknik untuk mengurangi kompleksitas model dan mencegah overfitting, misalnya L1, L2, dan dropout. |
| Dropout | Dropout | Metode regularisasi yang secara acak “mematikan” sebagian neuron selama pelatihan untuk meningkatkan generalisasi. |
| Unit Pemrosesan Grafis | Graphics Processing Unit (GPU) | Perangkat keras yang memfasilitasi komputasi paralel skala besar, sangat berguna untuk melatih model deep learning. |
| Representasi Fitur | Feature Representation | Cara data direpresentasikan dalam bentuk fitur numerik yang digunakan jaringan untuk belajar pola. |
| Ekstraksi Fitur Otomatis | Automatic Feature Extraction | Kemampuan model deep learning untuk belajar fitur penting langsung dari data mentah tanpa rekayasa fitur manual. |
LMS-SPADA INDONESIA