Lab Jaringan Saraf XOR
Visualisasi forward/backward pass untuk MLP kecil.
XOR tidak bisa diselesaikan dengan satu pemisah linear. Model harus belajar permukaan keputusan nonlinier.
Karena itu XOR menjadi masalah mainan standar untuk menunjukkan hidden layer dan aktivasi nonlinier.
Simulator menggunakan MLP kompak:
Input(2) -> Hidden(4) -> Hidden(2) -> Output(1)
Aktivasi output adalah sigmoid untuk probabilitas biner. Aktivasi hidden bisa tanh atau ReLU.
Setiap langkah mengambil satu kasus XOR, melakukan forward pass, menghitung loss, lalu menerapkan update backprop.
$$ z^{(l)} = a^{(l-1)}W^{(l)} + b^{(l)}, \quad a^{(l)} = f(z^{(l)}) $$
$$ W \leftarrow W - \eta \nabla_W L, \quad b \leftarrow b - \eta \nabla_b L $$
- Grafik loss menunjukkan tren konvergensi sepanjang langkah training.
- Panel prediksi menampilkan kepercayaan output untuk keempat input XOR.
- Panel perhitungan mencatat nilai forward/backward terbaru untuk ditinjau.
Kontrol Training
Jejak Forward/Backward
Cuplikan Prediksi
Lingkaran lebih besar menunjukkan probabilitas output lebih tinggi mendekati kelas 1.
Target XOR
- (0,0) -> 0
- (0,1) -> 1
- (1,0) -> 1
- (1,1) -> 0