Jika pada blog series sebelumnya kita belajar tentang Regresi Linear, kali ini kita akan belajar salah satu cabang machine learning lainnya, yaitu Klasifikasi. Model regresi dan klasifikasi sebenarnya agak mirip, keduanya bertujuan untuk memprediksi label berdasarkan fitur-fitur yang ada. Perbedaan dari kedua model tersebut adalah; regresi digunakan untuk memprediksi angka (dengan kemungkinan yang tidak terbatas), sedangkan klasifikasi digunakan untuk memprediksi kategori atau status. Kategori atau status dalam klasifikasi sebenarnya juga dapat berupa angka, namun dengan kemungkinan yang terbatas. Misalnya kita memberi label status 1, 2, 3, maka hasil prediksi yang muncul hanya sebatas angka-angka itu.
Jika pada kasus regresi kita belajar tentang algoritma Regresi Linear, maka dalam sesi kali ini kita akan belajar lebih banyak tentang algoritma Perceptron. Untuk memudahkan dalam memahami konsep, kita akan menggunakan kasus yang cukup populer dalam klasifikasi, yaitu Sentimen Analisis. Tujuan utama dalam sentimen analisis adalah mengetahui sentimen dari suatu kalimat. Dengan kata lain, model dapat memprediksi apakah suatu kalimat memiliki suasana senang, sedih, atau yang lainnya. Tergantung label apa yang ingin kita gunakan.
Lalu bagaimana kita bisa membuat model machine learning yang menerima kalimat sebagai input dan memberikan output berupa suasana hati senang atau sedih dari kalimat tersebut?
Mari kita mulai dari contoh sederhana. Kalimat yang bernuansa senang mengandung kata-kata yang bernuansa senang juga, misalnya indah, bahagia, atau suka-cita. Begitu pula kalimat yang sedih akan mengandung kata-kata yang sedih juga seperti mengerikan, takut, atau putus asa. Dengan demikian, kita dapat membuat classifier menggunakan "skor kebahagiaan" untuk setiap kata pada kamus. Kata-kata yang bernuansa bahagia kita berikan skor positif, dan kata-kata yang memiliki suasana sedih kita berikan skor negatif. Selanjutnya, untuk kata-kata yang memiliki suasana netral seperti kata "sebuah" kita berikan skor nol.
Ketika kita memberikan sebuah kalimat sebagai input pada model classifier, maka model tersebut tinggal menjumlahkan skor di setiap kata pada kalimat tersebut. Jika hasilnya positif, maka kalimat tersebut merupakan kalimat bahagia. Jika hasilnya negatif, maka kalimat tersebut merupakan kalimat yang sedih. Jika demikian, kita perlu menemukan skor untuk semua kata dalam kamus. Untuk ini, kita akan menggunakan machine learning.
Model sederhana yang kita buat sebelumnya disebut model
perceptron. Proses untuk melatih perceptron disebut sebagai
Perceptron Algorithm, dan ini tidak jauh berbeda dengan Linear Regression yang pernah dibahas pada
Linear Regression Series pada blog ini.
Secara sederhana, algoritma perceptron dapat digambarkan sebagai berikut: Untuk melatih model, kita membutuhkan dataset yang berisi banyak kalimat yang sudah diberi label (bahagia/sedih). Selanjutnya, kita akan membuat classifier dengan memberikan skor acak untuk setiap kata. Untuk setiap kalimat, kita akan menyesuaikan skor secara bertahap untuk meningkatkan akurasi prediksi untuk kalimat tersebut. Lalu, bagaimana cara kita menyesuaikan skor ini? Kita akan melakukannya seperti yang telah kita lakukan pada blog series sebelumnya, yaitu dengan menggunakan error function, kemudian menggunakan gradient descent untuk meminimalkan error tersebut.
Karena bahasa manusia sangat rumit, sering kali kalimatnya mengandung makna tersembunyi atau sarkasme, bukankah dengan menggunakan metode sederhana seperti di atas, kita akan kehilangan banyak informasi? Jawabannya adalah Ya. Misalnya saja, kalimat "Saya tidak sedih, saya sangat senang" dan kalimat "Saya tidak sedang, saya sangat sedih", kedua kalimat ini memiliki makna yang berlawanan, tetapi mengandung kata-kata yang sama persis sehingga keduanya akan memiliki skor yang sama. Dengan demikian, model classifier yang kita buat tadi akan mengklasifikasikannya ke dalam label yang sama, sehingga salah satu diantaranya sudah dipastikan memiliki label yang salah.
Solusi untuk permasalahan di atas adalah membuat model klasifikasi yang mempertimbangkan urutan kata, juga hal-hal lain seperti tanda baca atau idiom. Terdapat beberapa model yang cukup populer dan sukses menangani data berurutan atau biasa dikenal dengan squential data. Salah satu bentuk squential data adalah kalimat. Model-model tersebut diantaranya adalah Hidden Markov Model (HMM), Recurrent Neural Network (RNN), atau Long Short-Term Memory (LSTM).
Terjebak di Planet Mars bersama Alien
Mari kita berandai-andai.
Bayangkan jika kita menjadi kelinci percobaan dalam misi ambisius Elon Musk untuk menaklukkan planet Mars. Setelah mendarat, kita menemukan keberadaan alien. Mendengar rumor bahwa mereka memiliki agenda tersembunyi untuk menggulingkan peradaban manusia di Bumi, kita merasa penasaran dan ingin memastikan langsung dengan mereka. Sayangnya, kita tidak memahami bahasa mereka.
Ketidakmampuan kita untuk memahami bahasa alien ini mencerminkan tantangan yang dihadapi oleh komputer saat mencoba memahami bahasa manusia. Seperti kita yang merasa bingung dalam menginterpretasikan bahasa alien, komputer juga mengalami “kebingungan” serupa saat mencoba memahami dan menganalisis bahasa manusia. Namun, melalui teknologi dan algoritma canggih, komputer dapat dilatih untuk melakukan tugas seperti analisis sentimen dengan akurasi yang mengesankan. Analogi ini membantu kita memahami bagaimana mesin dapat belajar dan mengekstrak makna dari data teks, meskipun awalnya mereka mungkin sama “bingungnya” dengan kita saat berhadapan dengan bahasa alien.
Untuk menciptakan suasana yang harmonis, penting bagi kita untuk memahami suasana hati mereka saat berbicara. Apakah mereka merasa senang berkomunikasi dengan kita, atau justru mereka terganggu? Kita tentu tidak ingin menjadi mangsa mereka hanya karena keblunderan yang tidak perlu. Dengan kata lain, kita ingin mengembangkan model analisis sentimen. Oleh karena itu, kita mulai melakukan observasi dan mempelajari apa yang mereka ucapkan.
Di dekat tempat kita berdiri, terdapat 4 alien yang sedang ber-ghibah-ria. Setelah mengamatinya selama beberapa waktu, kita pun menyadari tampaknya kita telah menemukan pola penting dalam komunikasi alien ini. Dengan hanya dua kata, “beep” dan “boop”, mereka mampu mengekspresikan berbagai emosi. Mungkin “beep” dan “boop” memiliki arti yang lebih dalam atau beragam tergantung pada konteks atau intonasi. Mengingat dua dari mereka tampak senang dan dua lainnya tampak sedih, mungkin kita bisa mulai mengasosiasikan kata-kata ini dengan emosi tertentu. Misalnya, jika “beep” lebih sering diucapkan oleh alien yang tampak senang, mungkin “beep” berarti sesuatu yang positif. Sebaliknya, jika “boop” lebih sering diucapkan oleh alien yang tampak sedih, mungkin “boop” berarti sesuatu yang negatif. Tentu saja, ini hanyalah hipotesis awal dan memerlukan lebih banyak pengamatan dan analisis untuk memvalidasi.
Kita mulai membentuk dataset berdasarkan pengamatan tersebut.
- Alien 1:
- Suasana Hati: Senang
- Kalimat yang diucapkan: "Beep, beep, beep!"
- Alien 2:
- Suasana Hati: Sedih
- Kalimat yang diucapkan: "Boop boop!"
- Alien 3:
- Suasana Hati: Senang
- Kalimat yang diucapkan: "Beep boop beep!"
- Alien 4:
- Suasana Hati: Sedih
- Kalimat yang diucapkan: "Beep boop boop boop!"
Tiba-tiba, muncul alien kelima yang mengucapkan “Beep boop beep beep!” dengan ekspresi wajah yang sulit kita artikan. Meski demikian, berdasarkan data yang telah kita kumpulkan sebelumnya, kita dapat memprediksi bahwa alien kelima ini mungkin merasa senang.
Hal ini didasarkan pada pengamatan bahwa kata “beep” lebih sering diucapkan oleh alien yang tampak senang, sementara kata “boop” lebih sering diucapkan oleh alien yang tampak sedih. Mungkin “beep” berarti sesuatu yang positif, seperti kegembiraan atau kebahagiaan, sementara “boop” mungkin berarti sesuatu yang negatif, seperti kekecewaan atau kesedihan.
|
|
Melalui pengamatan tadi, kita dapat membuat sebuah classifier untuk analisis sentimen. Cara kerja classifier tersebut adalah sebagai berikut: Hitung jumlah kemunculan kata beep dan boop dalam sebuah kalimat. Jika jumlah kemunculan beep lebih banyak, maka classifier tadi akan memprediksi bahwa kalimat tersebut merupakan kalimat yang senang. Begitu pula sebaliknya, jika kemunculannya lebih sedikit, maka classifier akan memprediksi kalimat tersebut sebagai kalimat yang sedih. Secara sistematis, kita dapat menuliskannya seperti berikut ini.
Pengklasifikasi Analisis Sentimen
Diberikan sebuah kalimat, terapkan skor berikut untuk masing-masing kata pada kalimat tersebut.
Skor
- Beep: 1 point
- Boop: -1 point
Aturan:
Hitung skor akhir kalimat dengan cara menambahkan skor semua kata yang ada dengan ketentuan sebagai berikut:
- Jika skor akhirnya berupa angka positif atau nol, maka hasil prediksinya adalah Senang
- Jika skor akhirnya berupa angka negatif, maka hasil prediksinya adalah Sedih
Melalui mekanisme seperti di atas, maka kita akan melihat pola yang lebih jelas. Dalam tabel di bawah kita dapat memetakan kalimat yang diucapkan oleh keempat alien beserta suasana hatinya.
Selanjutnya, kita dapat memplotkannya ke dalam sebuah diagram seperti gambar di bawah.
Gambar di atas terdiri dari sumbu horizontal yang berlabel Beep dan sumbu vertikal yang berlabel Boop. Dari gambar tersebut, kita dapat melihat bahwa alien yang bahagia berada di kuadran kanan bawah, sementara alien yang sedih cenderung berada di kuadran kiri atas.
Sebenarnya, garis yang menghubungkan semua kalimat dengan jumlah Beep dan Boop yang sama (misalnya titik (1, 1), (2, 2), (3, 3), dan seterusnya) memisahkan dua zona ini, seperti yang terlihat pada gambar selanjutnya.
Kita akan menggunakan notasi xbeep dan xboop untuk menunjukkan banyaknya kata yang muncul dalam sebuah kalimat. xbeep menunjukkan jumlah kemunculan kata beep dan xboop menunjukkan jumlah kemunculan kata boop pada suatu kalimat. Karenanya, kita akan memiliki persamaan seperti berikut:
xbeep – xboop = 0
atau equivalent dengan
xbeep = xboop
Sebenarnya ini adalah persamaan garis pada suatu bidang. Mungkin kalian ingat dengan persamaan garis y = x yang pernah dipelajari di bangku SMA (atau mungkin SMP :D), itu sama saja. Jadi, mari kita anggap xbeep sebagai sumbu horizontal, dan xboop sebagai sumbu vertikal. Bersamaan dengan hal ini, kita memiliki dua bidang penting, yaitu zona positif dan zona negatif, yang didefinisikan sebagai berikut.
- Zona Positif: Area pada bidang di mana xbeep – xboop ≥ 0. Kondisi di mana kata beep muncul setidaknya sebanyak kata boop.
- Zona Negatif: Area pada bidang di mana xbeep – xboop < 0. Kondisi di mana kata beep muncul lebih sedikit daripada kata boop.
Pengklasifikasi yang kita buat memprediksi setiap kalimat di zona positif adalah senang, dan setiap kalimat di zona negatif adalah sedih. Oleh karena itu, tujuan kita adalah mencari model pengklasifikasi yang mampu menempatkan sebanyak mungkin kalimat bahagia di zona positif dan sebanyak mungkin kalimat sedih di zona negatif. Dalam kasus sederhana yang telah kita bahas, pengklasifikasi yang kita kembangkan dapat bekerja dengan sempurna. Meskipun demikian, hal ini tidak selalu terjadi, tetapi algoritma perceptron akan membantu kita menemukan pengklasifikasi dengan performa yang sangat baik.
Bahasa Alien dari suku pedalaman yang rumit dan sulit dimengerti
Kita akan beralih dengan contoh yang lebih rumit, dengan memperkenalkan aspek baru dalam algoritma perceptron, yaitu Bias. Mari kita berpindah ke belahan planet mars yang lain, ternyata alien di sana memiliki bahasa yang lebih membingungkan. Tujuan kita masih sama, untuk membuat analisa sentimen dalam bahasa mereka. Pada wilayah ini, alien berkomunikasi mengguankan dua kata, crack dan doink. Dataset terlihat pada gambar di bawah.
Membangun pengklasifikasi untuk himpunan data ini tampaknya sedikit lebih sulit daripada himpunan data sebelumnya. Pertama-tama, haruskah kita menetapkan skor positif atau negatif pada kata-kata
crack dan
doink? Mari kita ambil pena dan kertas dan coba buat pengklasifikasi yang dapat memisahkan kalimat senang dan sedih dengan benar menggunakan himpunan data ini. Lihatlah plot pada gambar di bawah.
Apakah kalian terpikirkan sesuatu setelah melihat plot gambar di atas?
Apa?
Hayo?
Ya, ide untuk pengklasifikasi ini adalah menghitung jumlah kata dalam sebuah kalimat. Perhatikan bahwa kalimat dengan satu, dua, atau tiga kata semuanya memiliki suasana sedih, dan kalimat dengan empat dan lima kata memiliki suasana senang. Model ini mengklasifikasikan kalimat dengan tiga kata atau kurang sebagai sedih, dan kalimat dengan empat kata atau lebih sebagai bahagia. Kita dapat kembali menulis ini dengan cara yang lebih matematis.
Pengklasifikasi Analisis Sentimen
Diberikan sebuah kalimat, terapkan skor berikut untuk masing-masing kata pada kalimat tersebut.
Skor
- Crack: 1 point
- Doink: 1 point
Aturan:
Hitung skor akhir kalimat dengan cara menambahkan skor semua kata yang ada dengan ketentuan sebagai berikut:
- Jika skor akhirnya 4 atau lebih, maka hasil prediksinya adalah Senang
- Jika skor akhirnya adalah 3 atau kurang, maka hasil prediksinya adalah Sedih
Supaya lebih sederhana, mari kita ganti sedikit aturannya dengan menggunakan ambang batas (
threshold) 3.5
Aturan Baru:
Hitung skor akhir kalimat dengan cara menambahkan skor semua kata yang ada dengan ketentuan sebagai berikut:
- Jika skor akhirnya 3.5 atau lebih, maka hasil prediksinya adalah Senang
- Jika skor akhirnya kurang dari 3.5, maka hasil prediksinya adalah Sedih
Pengklasifikasi ini lagi-lagi menghasilkan sebuah garis seperti yang diilustrasikan pada gambar di bawah.
Dalam contoh sebelumnya, kita menyimpulkan bahwa kata beep adalah kata senang, dan kata boop adalah kata sedih. Apa yang terjadi dalam contoh ini? Tampaknya kedua kata crack dan doink senang, karena skor mereka berdua positif. Lalu, mengapa kalimat "Crack doink" adalah kalimat yang menyedihkan? Membingungkan. Alien di planet ini memiliki kepribadian yang khas. Alien yang tidak banyak bicara sedih, dan mereka yang banyak bicara senang. Kita dapat membuat penafsiran bahwa alien di planet ini pada dasarnya sedih, tetapi mereka dapat keluar dari kesedihan dengan banyak bicara.
Elemen penting lainnya dalam pengklasifikasi ini adalah threshold atau ambang batas yang sebelumnya telah kita tetapkan nilainya, yaitu 3.5. Threshold ini digunakan oleh pengklasifikasi untuk membuat prediksi, karena kalimat dengan skor lebih tinggi dari atau sama dengan threshold diklasifikasikan sebagai senang, dan kalimat dengan skor lebih rendah dari threshold diklasifikasikan sebagai sedih. Namun, istilah threshold kurang umum digunakan, Oleh sebab itu, kita akan gunakan sebuah term baru, yaitu bias. Untuk kasus ini, biasnya adalah negatif dari threshold, dan kita akan menambahkannya ke skor. Dengan cara ini, pengklasifikasi dapat menghitung skor dan menghasilkan prediksi senang jika skor tidak negatif, atau sedih jika skornya negatif. Untuk selanjutnya, kita sebut skor sebagai bobot supaya lebih umum. Dengan demikian, pengklasifikasi kita dapat dinyatakan sebagai berikut:
Pengklasifikasi Analisis Sentimen
Diberikan sebuah kalimat, terapkan skor berikut untuk masing-masing kata pada kalimat tersebut.
Bobot
- Crack: 1 point
- Doink: 1 point
Bias: –3.5 points
Aturan:
Hitung skor akhir kalimat dengan cara menambahkan bobot semua kata dan bias.
- Jika skor lebih besar dari atau sama dengan nol, maka hasil prediksinya adalah senang.
- Jika skornya kurang dari nol, hasil prediksinya adalah sedih.
Dengan demikian, persamaannya akan menjadi seperti berikut:
#crack + #doink – 3.5 = 0
Perhatikan bahwa menggunakan threshold 3.5 dan bias –3.5 adalah hal yang sama, karena dua persamaan berikut ini ekuivalen:
#crack + #doink ≥ 3.5
#crack + #doink – 3.5 ≥ 0
Kita dapat menggunakan notasi yang sama seperti pada bagian sebelumnya, di mana xcrack adalah jumlah kemunculan kata crack dan xdoink adalah jumlah kemunculan kata doink. Dengan demikian, persamaan garis dapat ditulis sebagai berikut
xcrack+ xdoink– 3.5 = 0
Persamaan garis ini juga akan membagi bidang menjadi dua bagian, yaitu zona positif dan zona negatif yang didefinisikan sebagai berikut.
- Zona Positif: Area pada bidang di mana xcrack+ xcrack ≥ 0
- Zona Negatif: Area pada bidang di mana xcrack+ xdoink – 3.5< 0.
Apakah pengklasifikasi kita harus selalu akurat? Tidak
Dalam dua contoh sebelumnya, kita telah membuat pengklasifikasi yang tidak pernah salah. Artinya, pengklasifikasi berhasil memprediksi kalimat senang sebagai senang dan kalimat sedih sebagai sedih. Namun, dalam kenyataannya, hal ini sangat jarang terjadi, terutama pada himpunan data yang memiliki banyak data poin. Meskipun begitu, tujuan dari pengklasifikasi adalah untuk mengelompokkan data poin seakurat mungkin. Pada gambar, kita dapat melihat himpunan data dengan 17 poin (delapan senang dan sembilan sedih) yang tidak dapat dipisahkan secara sempurna hanya dengan satu garis. Akan tetapi, garis pada gambar cukup baik, hanya salah mengelompokkan tiga data poin.
Pada bagian ini, kita mendapatkan pandangan yang lebih umum tentang pengklasifikasi perceptron. Bentuk umum persamaan pengklasifikasi perceptron adalah ax₁ + bx₂ + c = 0, di mana a adalah skor kata 1, b skor kata 2, dan c adalah bias. Persamaan ini sesuai dengan garis yang membagi bidang menjadi dua zona sebagai berikut:
- Zona Positif: Area pada bidang di mana ax₁+ bx₂+ c ≥ 0
- Zona Negatif: Area pada bidang di mana ax₁+ bx₂+ c < 0
Sebagai contoh, jika kata 1 memiliki skor 4, kata 2 memiliki skor –2.5, dan biasnya adalah 1.8, maka persamaan pengklasifikasi ini adalah
4x₁– 2.5x₂ + 1.8 = 0
Adapun untuk zona positif dan negatif, masing-masing secara berurutan adalah 4x₁– 2.5x₂ + 1.8 ≥ 0 dan 4x₁– 2.5x₂ + 1.8 < 0.
Pada blog series sebelumnya, kita mendefinisikan garis menggunakan persamaan y = mx + b pada bidang di mana sumbunya adalah x dan y. Dalam blog series ini, kita mendefinisikannya dengan persamaan ax₁ + bx₂ + c = 0 pada bidang di mana sumbunya adalah x₁ dan x₂. Apa yang membedakannya? Keduanya adalah cara yang valid untuk mendefinisikan garis. Namun, persamaan pertama berguna untuk model regresi linier, sedangkan persamaan kedua berguna untuk model perceptron (dan secara umum untuk algoritma klasifikasi lainnya seperti logistic regression, neural networks, dan support vector machine).
Mengapa persamaan ini lebih baik untuk model perceptron? Berikut adalah beberapa alasannya:
- Persamaan ax₁ + bx₂ + c = 0 tidak hanya mendefinisikan garis, tetapi juga dengan jelas mendefinisikan dua zona, yaitu positif dan negatif. Jika kita ingin memiliki garis yang sama, tetapi dengan wilayah positif dan negatif yang dibalik, kita akan menggunakan persamaan –ax₁ – bx₂ – c = 0. Dengan kata lain, mengubah tanda koefisien dalam persamaan garis akan membalik zona positif dan negatif.
- Dengan menggunakan persamaan ax₁ + bx₂ + c = 0, kita dapat menggambar garis vertikal. Garis vertikal dalam grafik memiliki ciri khas yaitu semua titik di garis tersebut memiliki nilai x yang sama.
Oleh karena itu, persamaan garis vertikal ditulis dalam bentuk x = c atau 1x₁ + 0x₂ + c = 0.
Bingung? Dalam model klasifikasi, kita seringkali perlu memisahkan data menjadi dua atau lebih kelas. Misalnya, kita memiliki data tentang berbagai jenis buah dan kita ingin memisahkan apel dari jeruk. Dalam kasus ini, “batas keputusan” atau “decision boundary” adalah garis (atau dalam kasus yang lebih kompleks, bisa berupa permukaan) yang memisahkan apel dari jeruk. Sekarang, bayangkan jika kita memiliki data di mana semua apel berada di sebelah kiri suatu titik pada sumbu x, dan semua jeruk berada di sebelah kanan titik tersebut. Dalam kasus ini, garis vertikal yang melewati titik tersebut akan menjadi batas keputusan yang sempurna: semua buah di sebelah kiri garis diklasifikasikan sebagai apel, dan semua buah di sebelah kanan diklasifikasikan sebagai jeruk. Itulah sebabnya kemampuan untuk menggambar garis vertikal sebagai batas keputusan penting dalam model klasifikasi. Meskipun dalam praktiknya, batas keputusan mungkin tidak selalu berupa garis lurus atau vertikal, namun kemampuan untuk menggambar berbagai jenis batas keputusan memberikan fleksibilitas yang diperlukan untuk memodelkan berbagai jenis data.
Step Function & Activation Function
Pengklasifikasi yang kita bangun sebelumnya didefinisikan menggunakan pengkondisian "if". Sebuah kalimat akan diprediksi sebagai kalimat "senang" atau "sedih" berdasarkan total skor pada kalimat tersebut. Jika skornya positif atau nol, maka kalimat tersebut akan diprediksi sebagai kalimat "senang", sedangkan jika skornya negatif, maka akan diprediksi sebagai kalimat "sedih".
Kita memiliki cara yang lebih ringkas untuk mengubah skor menjadi sebuah prediksi, yaitu menggunakan Fungsi Step (Step Function).
Step Function
Fungsi yang akan mengembalikan 1 jika outputnya non-negatif dan 0 jika outputnya negatif.
Dengan kata lain, jika inputnya x, maka:
- step(x) = 1 jika x ≥ 0
- step(x) = 0 if x < 0
Grafik step function terlihat seperti gambar di bawah ini.
Dengan menggunakan step function, kita dapat mengekspresikan output dari perceptron classifier dengan mudah. Dalam dataset yang kita miliki, kita menggunakan variabel y untuk mewakili label. Sedangkan hasil prediksi yang dihasilkan model dilambangkan ŷ. Dengan demikian, output dari model perceptron dapat kita tulis ke dalam bentuk notasi berikut.
ŷ = step(ax₁ + bx₂ + c)
Step function merupakan kasus spesifik dari fungsi aktivasi (activation function). Activation function merupakan konsep penting dalam machine learning, terutama pada deep learning. Kita akan belajar lebih mendalam mengenai activation function di pembahasan neural network nanti. Untuk saat ini, kita dapat menganggap activation function sebagai fungsi yang dapat digunakan untuk mengubah skor menjadi sebuah prediksi.
Kita telah memahami intuisi yang mendasari model perceptron dan bagaimana model tersebut dapat digunakan untuk klasifikasi biner. Pada postingan ini, kita hanya menggunakan dua kata dalam sebuah kalimat. Lalu, bagaimana jika alien tadi berbicara menggunakan lebih banyak kosa kata? Kita akan bahas di postingan berikutnya. Sampai jumpa!👋🏻