Neural network atau sering kita dengar Jaringan Syaraf Tiruan (JST) merupakan himpunan bagian dari data mining (machine learning). JST dibuat pertama kali pada tahun 1943 oleh Neurophysiologist Waren McCulloch dan Logician Walter Pits, namun teknologi yang tersedia pada masa itu belum memungkinkan mereka berbuat lebih jauh.
Dalam kesempatan ini, kita akan belajar dan mengenal lebih dalam lagi mengenai metode JST dari apa itu JST, arsitektur, cara kerja hingga jenis-jenis algoritma turunan dari Jaringan Syaraf Tiruan (JST).
Pengertian Jaringan Syaraf Tiruan (JST)
Neural network atau artificial neural network atau sering kita dengar dengan istilah Jaringan Syaraf Tiruan (JST) merupakan salah satu representasi buatan dan otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut.
Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.
JST dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran.
Arsitektur Jaringan Syaraf Tiruan (JST)
Berapa arsitektu jaringan yang sering dipakai dalam JST antara lain.
1. Jaringan Lapisan Tunggal (Single Layer Network)
Lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudain secara lansung akan mengelolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Pada gambar diatas menunjukan jaringan syaraf dengan lapisan input memiliki 3 neuron yaitu X1, X2 dan X3. Sedangkan pada lapisan ouput memiliki 2 neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubungan, besar hubungan antara dua neuron ditentukan oleh bobot yang disesuaikan.
2. Jaringan Lapisan Jamak (Multi Layer Network)
Jaringan lapisan jamak merupakan peluasan dari lapisan tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-unit lain (seiring disebut lapisan tersembunyi atau hidden layer). Jaringan dengan bayak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada lapisan tunggal, tentu dengan pembelajaran yang lebih rumit.
3. Jaringan Lapisan Kompetitif (Competitive Layer Net)
Jaringan lapisan kompetitif mirip dengan jaringan lapisan tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering disebut feedback loop).
Cara Kerja Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan menerima sinyal input dari sumber luar, input berupa pola atau gambar yang direpresentasikan dalam vektor. Input ini kemudian secara matematis ditetapkan dengan notasi X(n) untuk setiap n jumlah input.
Setelah itu, masing-masing input dikalikan dengan bobot yang seseuai. Bobot ini biasanya mewakili kekuatan interkoneksi antar neuron di dalam JST. Semua input berbobot diringkas di dalam unit koputasi.
Ketika jumlah bobot sama dengan 0, maka bias ditambahkan untuk membuat output tidak nol atau sesuatu yang lain untuk meningkatkan repons sistem. Bias memiliki input yang sama dan memiliki nilai bobot sama dengan 1.
Total input berbobot dapat berada dalam kisaran 0 hingga tak terhingga postif (+∞). Untuk menjaga respons dalam batas nilai yang diinginkan, nilai maksimum tertentu di banchmark dan total input berbobot dilewatkan melalui fungsi aktivasi.
Fungsi aktivasi yang terdapat pada neural tiruan umumnya berupa fungsi non-linier. Fungsi aktivasi ini yang menentukan apakah neural akan mengalami aktivasi atau tidak. Tingkat aktivasi diwujudkan dalam suatu nilai ambang (treshold). Fungsi aktivasi yang biasa digunakan adalah fungsi tangga (step function), fungsi lereng (slope function) dan fungsi sigmoid.
Jenis-Jenis Jaringan Syaraf Tiruan (JST)
1. Perceptron
Perceptron merupakan jenis jaringan syaraf tiruan yang paling dasar dan tertua. Pada jenis ini hanya terdiri dari satu neuron yang menerima input dan menerapkan fungsi ativasi untuk menghasilkan output biner. Tidak ada hidden layer dan hanya digunakan untuk masalah klasifikasi biner.
2. Feedforward Neural Network
JST yang mempunyai struktur feedforwark mempunyai karakteristik tidak ada pengulangan pembelajaran (loop), dimana signal bergerak dari layer input dan melewati layer tersembunyi dan kemudian menuju layer output.
3. Recurrent Neural Network (RNN)
Recurrent Neural Network merupakan algoritma yang sering digunakan untuk data berurut dalam sebuah perusahaan. RNN dapat mengingat input dan selanjutnya memberikan output sesuai dengan yang diinginkan.
4. Radial Basis Fuction (RBF)
Radial Basis Function Network menggunakan radial basis function sebagai activation function-nya. RBF mampu menyelesaikan permasalahan function approximation, time series prediction, classification dan system control.
Input value X digunakan untuk semua RBF hidden layer dan output network merupakan linear combination semua ouput RBF pada hidden layer.
5. Convolutional Neural Network (CNN)
Convolutional Neural Network tergolong dalam deep neural yang banyak digunakan dalam analisis citra. CNN merupakan versi regularization dari multi-layer perceptron dan dibangun oleh banyak convolution layer dengan activation function yang kebanyaknan adalah ReLu.
6. Modular Neural Network
Modular Neural Network merupakan kumpulan jaringan syaraf yang berbeda dan bekerja secara independen untuk mendapatkan output tanpa interaksi di antara neuralnya.
Keuntungan Modular Neural Network ini adalah memecahkan proses komputasi yang besar dan kompleks menjadi komponen-komponen yang lebih kecil, sehingga mengurangi kompleksitasnya sambil tetap mendapatkan output yang dibutuhkan.
Kelebihan Jaringan Syaraf Tiruan (JST)
- Bisa menyimpulkan pengetahuan walau tidak mempunyai kepastian.
- Mampu memperhitungkan secara berurutan sehingga proses lebih cepat.
- JST dapat menimbulkan suatu pola pengetahuan melewati batas belajar atau self-organizing.
- Mempunyai fault tolerances atau noise dianggap gangguan.
Kekurangan Jaringan Syaraf Tiruan (JST)
- Kurang bisa melakukan perhitungan numerik dengan tinggi.
- Lama memproses latihan yang bisa menjadi waktu paling lama untuk data yang sangat besar.
- Tidak direkomendasikan untuk gunakan operasi logika, simbol dan algoritma airtmatiks.
- Sangat tidak direkomendasikan jika menggunakan untuk operasi number dengan angka yang tinggi.
Penutup
Nah, dari penjelasan di atas kita dapat kita simpulkan bahwa Jaringan Saraf Tiruan (Artificial Neural Networks – ANN) adalah teknologi canggih yang terinspirasi dari cara kerja otak manusia. Dalam dunia kecerdasan buatan, ANN berperan kunci dalam pemrosesan informasi, pembelajaran mesin dan analisis data. Mereka memiliki kemampuan untuk mengenali pola, bahasa alami dan membuat prediksi yang kompleks.
Artikel ini merupakan bagian dari seri artikel belajar Kecerdasan Buatan dan jika ada ide topik yang mau kami bahas silahkan komen di bawah ya..
