Pengertian Jaringan Saraf Tiruan dan Konsep Dasar

Pengertian

Jaringan saraf tiruan (JST) atau Neural Network (NN) adalah sebuah model algoritma dari Machine Learning (ML), yang juga dikenal sebagai Predictive Modeling. Model ini terinspirasi dari jaringan saraf pada otak manusia yang terdiri dari beberapa lapisan dan saling bekerja sama yang dikenal dengan “neuron”.

Tujuan akhir dari model ini adalah dapat menyelesaikan berbagai macam masalah yang diberikan, seperti pengenalan gambar, pembuatan keputusan, dan pemrosesan bahasa dengan akurasi yang tinggi.

JST tidak bekerja seperti logika if-then seperti yang terdapat pada program yang ditulis dengan bahasa pemrograman biasa. JST akan belajar dari data latih yang diberikan dan mengembangkan pola-pola yang dapat digunakan untuk menyelesaikan tugas yang diinginkan dengan akurasi yang tinggi. JST akan mengoptimalkan bobot dari koneksi antar neuron selama proses pelatihan untuk meningkatkan akurasi dari jaringan itu sendiri dalam menyelesaikan tugas yang diinginkan.

Oleh karena itu, JST tidak memiliki aturan yang jelas seperti yang terdapat pada program yang ditulis dengan bahasa pemrograman biasa, sehingga dapat menyelesaikan masalah yang tidak memiliki aturan yang jelas seperti dalam masalah pengenalan wajah, pengenalan suara, dan bahasa.


Konsep Dasar

Dalam pemrograman, jaringan saraf tiruan terdiri dari beberapa lapisan “neuron” yang bekerja sama untuk mengambil input dan menghasilkan output.

Setiap lapisan neuron menerima input dari lapisan sebelumnya dan mengirimkan output ke lapisan berikutnya.

Beberapa lapisan neuron dapat mengubah atau memfilter input sebelum mengirimkannya ke lapisan berikutnya.

Setiap neuron dalam jaringan saraf tiruan terhubung ke neuron lain dalam jaringan melalui “koneksi” yang mewakili bobot yang dapat dioptimalkan selama proses pelatihan.

Ini adalah konsep dasar dari jaringan saraf tiruan.


Kelebihan

  1. Kemampuan belajar dari data: JST dapat belajar dari data yang diberikan dan meningkatkan kinerjanya dengan waktu.
  2. Kemampuan menangani data yang tidak linear: JST dapat menangani data yang tidak memiliki pola linear yang jelas, yang sering ditemukan dalam data nyata.
  3. Kemampuan menangani data bertebaran: JST dapat menangani data yang bertebaran dan tidak terstruktur dengan baik, seperti gambar atau teks.
  4. Kemampuan menangani data besar: JST dapat menangani data besar dengan baik karena dapat dibagi menjadi beberapa lapisan neuron yang dapat diproses secara paralel.
  5. Kemampuan mengatasi masalah yang kompleks: JST dapat digunakan untuk mengatasi masalah yang kompleks seperti pengenalan gambar, pembuatan keputusan, dan pemrosesan bahasa.
  6. Kemampuan menyelesaikan tipe masalah yang tidak dapat dipecahkan dengan algoritma yang diketahui.
  7. Kemampuan menyelesaikan masalah yang tidak memiliki aturan yang jelas, seperti dalam masalah pengenalan wajah, pengenalan suara dan bahasa.

Kekurangan

  1. Butuh data yang cukup besar: JST memerlukan data yang cukup besar untuk dapat dioptimalkan dengan baik.
  2. Proses pelatihan yang panjang: Proses pelatihan JST dapat memakan waktu yang cukup lama jika data yang digunakan cukup besar.
  3. Kualitas data yang rendah dapat menyebabkan hasil yang buruk.
  4. Proses pembuatan model yang kompleks dan memerlukan pemahaman yang baik akan JST itu sendiri.
  5. JST memerlukan hardware yang cukup kuat untuk melakukan proses pelatihan dan inferensi
  6. JST memerlukan teknisi yang memahami JST dan data science secara umum.
  7. Model JST yang dihasilkan seringkali tidak dapat diinterpretasikan dengan jelas.

Arsitektur

Arsitektur jaringan saraf tiruan adalah desain atau struktur dari jaringan saraf tiruan yang digunakan untuk menyelesaikan tugas tertentu. Arsitektur jaringan saraf tiruan dapat dibedakan menjadi beberapa jenis, diantaranya yang paling umum adalah:

  1. Jaringan Feedforward: Jaringan ini memiliki arus data yang selalu bergerak dari input ke output tanpa kembali ke layer sebelumnya.
  2. Jaringan Recurrent: Jaringan ini memiliki arus data yang dapat mengalir kembali ke layer sebelumnya, sehingga dapat digunakan untuk tugas pengolahan bahasa.
  3. Jaringan Convolutional Neural Networks (CNN): Jaringan ini digunakan untuk tugas pengolahan citra dan memiliki arsitektur yang terdiri dari beberapa layer convolutional dan pooling.
  4. Jaringan Generative Adversarial Networks (GAN): Jaringan ini terdiri dari dua jaringan, yaitu generator dan discriminator. Generator digunakan untuk menghasilkan data baru yang mirip dengan data latih, sedangkan discriminator digunakan untuk membedakan data yang asli dengan data yang dihasilkan oleh generator.

Fungsi Aktivasi

Fungsi aktivasi adalah fungsi yang digunakan pada setiap neuron dalam jaringan saraf tiruan untuk menentukan apakah neuron tersebut akan merespon terhadap input yang diterimanya atau tidak. Fungsi aktivasi digunakan untuk mengubah input yang diterima oleh neuron menjadi output yang dapat diteruskan ke neuron lain dalam jaringan.

Beberapa contoh fungsi aktivasi yang umum digunakan di jaringan saraf tiruan adalah:

  1. Fungsi sigmoid: Fungsi ini digunakan pada neuron output pada jaringan feedforward untuk menghasilkan output yang berada dalam rentang 0-1.
  2. Fungsi ReLU (Rectified Linear Unit): Fungsi ini digunakan pada neuron dalam jaringan feedforward yang menghasilkan output yang sama dengan input jika input lebih dari 0, dan 0 jika input kurang dari atau sama dengan 0.
  3. Fungsi tanh (hyperbolic tangent): Fungsi ini mirip dengan sigmoid namun outputnya berada dalam rentang -1 sampai 1.
  4. Fungsi softmax: Fungsi ini digunakan pada neuron output pada jaringan feedforward yang digunakan untuk klasifikasi multi-kelas, sehingga menghasilkan output berupa probabilitas dari setiap kelas.

Pemilihan fungsi aktivasi yang tepat dapat sangat mempengaruhi kinerja jaringan saraf tiruan. Beberapa fungsi aktivasi dapat diterapkan untuk beberapa jenis tugas, sementara yang lain hanya cocok untuk tugas tertentu.


Kesimpulan

Secara sederhana, jaringan saraf tiruan adalah sebuah sistem yang dapat belajar dari data dan digunakan untuk menyelesaikan berbagai macam tugas yang kompleks. Ini dilakukan dengan mengoptimalkan koneksi antar neuron dalam jaringan melalui proses pelatihan.

Baca juga Daftar Semua Artikel

Similar Posts