Mengenal Jaringan Saraf Tiruan (JST): Arsitektur dan Jenis-jenisnya
Neural network atau dikenal sebagai Jaringan Syaraf Tiruan (JST) merupakan himpunan bagian dari machine learning, khususnya deep learning. Nama dan struktur yang diberikan terinspirasi oleh otak manusia dan meniru cara neuron biologis memberi sinyal dan berinteraksi satu sama lain antar neuron.
Dalam kesempatan ini, kita akan belajar dan mengenal lebih dalam mengenai algoritma JST ini, mengetahui bagaimana arsitektur dan cara kerjanya, serta jenis-jenis algoritma turunan dari Jaringan Saraf Tiruan (JST).
Pengertian Jaringan Saraf Tiruan (JST)
Artificial Neural Network atau yang biasa dikenal dengan istilah Jaringan Saraf Tiruan (JST) adalah algoritma Deep Learning yang prinsip kerjanya dikembangkan dari jaringan saraf biologis yang membentuk struktur otak manusia. Berikut ilustrasi dari jaringan saraf biologis.
 |
| Sumber: javatpoint.com |
Sama halnya dengan otak manusia yang memiliki neuron-neuron yang saling berhubungan satu sama lain, JST juga memiliki neuron-neuron yang saling berhubungan satu sama lain dalam berbagai lapisan jaringan.
Adapun ilustrasi dari Jaringan Saraf Tiruan dapat dilihat pada gambar dibawah ini
 |
| Sumber: javatpoint.com |
Dendrit dari jaringan saraf biologis mewakili input dalam JST, inti sel mewakili node, sinapsis mewakili bobot, dan akson mewakili output. Berikut hubungan antara jaringan saraf biologis dan JST:
| Jaringan Saraf Biologis | Jaringan Saraf Tiruan |
|---|---|
| Dendrit | Masukan (input) |
| Inti sel (neuron) | Simpul (node) |
| Sinapsis | Bobot (weight) |
| Akson | Keluaran (output) |
Jaringan saraf tiruan di bidang kecerdasan buatan (artificial intelligent) mencoba untuk meniru jaringan neuron yang membentuk otak manusia sehingga komputer akan memiliki opsi untuk memahami berbagai hal dan membuat keputusan layaknya cara seperti manusia berpikir. JST dirancang oleh komputer seperti sel-sel otak yang saling berhubungan.
Di otak manusia, data disimpan sedemikian rupa untuk didistribusikan, dan kita dapat mengekstrak lebih dari satu bagian data bila diperlukan dari memori kita secara paralel. Dapat dikatakan bahwa otak manusia terdiri dari processor paralel yang sangat menakjubkan.
Sejak ilmuwan komputer pertama kali mencoba jaringan saraf tiruan konvensional, banyak penemuan penting yang dipelajari oleh para ahli di bidang ilmu saraf.Salah satunya adalah bahwa bagian-bagian otak yang berbeda bertanggung jawab untuk memproses berbagai aspek informasi dan bagian-bagian ini diatur secara hierarkis.
Jadi, ketika input masuk ke otak maka setiap tingkat neuron akan memberikan wawasan dan kemudian informasi tersebut diteruskan ke neuron berikutnya yang punya tingkat tanggungjawab lebih besar. Mekanisme ini yang coba ditiru oleh algoritma JST.
Agar JST dapat belajar, jaringan perlu memiliki sebagian besar informasi yang diberikan melalui proses training. Misalnya ketika kita melakukan training terhadap model JST untuk membedakan gambar kucing dari anjing, kita perlu menyediakan ribuan gambar yang ditandai sebagai anjing sehingga jaringan akan mulai 'belajar'.
Setelah dilatih dengan jumlah data yang signifikan, JST akan mencoba mengklasifikasikan data berikutnya berdasarkan apa yang dipelajari di seluruh unit yang berbeda. Selama periode training, output mesin dibandingkan dengan deskripsi yang diberikan manusia tentang apa yang harus diamati.
Jika hasil perbandingannya sama maka dianggap valid. Namun apabila salah, JST menggunakan backpropagation untuk menyesuaikan pembelajarannya kembali dengan mudur ke lapisan sebelumnya untuk mengubah persamaan matematika.
Dari proses belajar secara terus menerus inilah kemudian JST disebut sebagai algoritma Deep Learning, yaitu algoritma yang menjadi semakin cerdas dari waktu ke waktu.
Arsitektur Jaringan Saraf Tiruan
Setelah memahami apa itu jaringan saraf tiruan berikutnya kita perlu memahami konsep dari arsitektur jaringan saraf tiruan.
Arsitektur JST menggunakan berbagai lapisan pemrosesan matematis untuk memahami informasi yang diberikan. Biasanya, jaringan saraf tiruan memiliki puluhan hingga jutaan neuron buatan yang disebut sebagai unit dan tersusun dalam beberapa lapisan atau layer.
 |
| Sumber: javatpoint.com |
Adapun lapisan pada jaringan saraf tiruan terdiri dari tiga layer utama yakni input layer, hidden layer, dan output layer.
1. Input layer
Seperti namanya, lapisan ini menerima input dalam beberapa format berbeda yang disediakan oleh programmer. Input yang terima adalah data yang ingin diproses atau dipelajari oleh jaringan
2. Hidden layer
Lapisan tersembunyi atau hidden layer menjembatani lapisan input dan output. Dari unit input (input layer), data dapat melewati satu atau lebih hidden layer.
Tugas hidden layer adalah mengubah input menjadi sesuatu yang dapat digunakan unit output. Selain itu, lapisan ini melakukan semua perhitungan untuk menemukan fitur dan pola tersembunyi.
Mayoritas jaringan saraf sepenuhnya terhubung dari satu lapisan ke lapisan lainnya. Koneksi ini diberi bobot; semakin tinggi angkanya, semakin besar pengaruh satu unit terhadap unit lain, mirip dengan otak manusia. Saat data melewati setiap unit, jaringan belajar lebih banyak tentang data.
3. Output layer
Masukan atau input melewati serangkaian transformasi menggunakan hidden layer, pada akhirnya menghasilkan output yang dibawa menuju lapisan ini.
Jaringan saraf tiruan mengambil input dan menghitung jumlah bobot dari input dan bias. Perhitungan ini direpresentasikan dalam bentuk fungsi transfer.
JST menentukan bobot yang dilewatkan sebagai input ke sebuah fungsi aktivasi untuk menghasilkan keluaran (output). Fungsi aktivasi memilih apakah sebuah node akan dibangkitkan atau tidak. Hanya node yang berhasil dibangkitkan yang akan dibuat sebagai output layer.
 |
| Sumber: medium.com |
Kelebihan Jaringan Saraf Tiruan
1. Kemampuan pemrosesan secara paralel
Jaringan syaraf tiruan memiliki kemampuan menyediakan data untuk diproses secara paralel, yang berarti dapat menangani lebih dari satu tugas pada waktu yang bersamaan.
2. Menyimpan data di seluruh jaringan
Jaringan syaraf tiruan digunakan untuk menyimpan informasi pada jaringan. Sehingga, meskipun tanpa adanya pasangan data, tidak berarti bahwa jaringan tersebut tidak menghasilkan keluaran/output.
3. Dapat bekerja dengan pengetahuan yang kurang lengkap
Setelah pelatihan JST, informasi dapat menghasilkan output bahkan ketika terdapat data yang tidak memadai. Penurunan kinerja algoritma sangat bergantung pada seberapa penting data yang hilang.
4. Memiliki distribusi memori
Jaringan saraf tiruan dipecah secara bertahap, yang berarti JST tidak akan tiba-tiba berhenti bekerja
5. Memiliki toleransi kesalahan
Jaringan saraf tiruan memiliki resistensi dan toleran terhadap kesalahan. Ini berarti bahwa hilangnya satu atau lebih sel tidak mempengaruhi kinerja jaringan saraf tiruan.
Kekurangan Jaringan Saraf Tiruan
1. Perilaku jaringan yang tidak dikenali
JST mampu menghasilkan solusi pengujian, namun tidak dapat memberikan alasan dan cara kerja dari solusi tersebut. Hal ini mengurangi kepercayaan pada jaringan.
2. Sangat bergantung pada perangkat keras
Jaringan saraf tiruan membutuhkan prosesor dengan kekuatan pemrosesan paralel, sesuai dengan strukturnya. Oleh karena itu, kemampuannya sangat bergantung dan dipengaruhi pada peralatan yang digunakan.
3. Perlu menunjukkan masalah dalam nilai numerik
JST dapat bekerja dengan data numerik. Sebelum diperkenalkan ke JST, masalah harus diubah menjadi nilai numerik terlebih dahulu. Mekanisme ini akan berdampak langsung pada kinerja jaringan.
4. Sulit menentukan struktur jaringan yang sesuai
Kurangnya aturan untuk menentukan struktur jaringan menyebabkan pemilihan arsitektur jaringan saraf tiruan yang tepat hanya dapat ditemukan melalui trial and error dan pengalaman sebelumnya.
Cara Kerja Jaringan Saraf Tiruan
Jaringan Saraf Tiruan paling baik direpresentasikan sebagai graf berarah berbobot, di mana neuron buatan membentuk simpul atau node. Hubungan antara output neuron dan input neuron dapat dilihat sebagai tepi berarah dengan bobot.
Jaringan syaraf tiruan menerima sinyal masukan dari sumber luar, berupa pola atau gambar yang direpresentasikan dalam vektor. Input ini kemudian secara matematis ditetapkan dengan notasi x(n) untuk setiap n jumlah input.
 |
| Sumber: javatpoint.com |
Setelah itu, masing-masing input dikalikan dengan bobot yang sesuai (bobot ini adalah detail yang digunakan oleh jaringan saraf tiruan untuk memecahkan masalah tertentu). Secara umum, bobot ini biasanya mewakili kekuatan interkoneksi antar neuron di dalam jaringan saraf tiruan. Semua input berbobot diringkas di dalam unit komputasi.
 |
| Sumber: medium.com |
Jika jumlah bobot sama dengan nol, maka bias ditambahkan untuk membuat output tidak nol atau sesuatu yang lain untuk meningkatkan respons sistem. Bias memiliki input yang sama, dan bobot sama dengan 1.
Total input berbobot dapat berada dalam kisaran 0 hingga bilangan tak terhingga positif (+∞). Di sini, untuk menjaga respons dalam batas nilai yang diinginkan, nilai maksimum tertentu di-benchmark, dan total input berbobot dilewatkan melalui fungsi aktivasi.
Ada banyak fungsi aktivasi seperti: regresi linier, regresi logistik, fungsi identitas, bipolar, sigmoid biner, sigmoid bipolar, tangen hiperbolik, hiperbolik sigmoid dan ReLU.
 |
| Sumber: ml-explained.com |
Jaringan syaraf tiruan pada umumnya dirancang khusus untuk fungsi tertentu seperti klasifikasi biner, klasifikasi multiclass, pengenalan pola dan sebagainya.
Jenis-jenis Jaringan Saraf Tiruan
1. Perceptron
Jenis jaringan saraf yang paling dasar dan tertua adalah perceptron. JST ini hanya terdiri dari satu neuron yang menerima input dan menerapkan fungsi aktivasi untuk menghasilkan output biner. Tidak ada hidden layer dalam model ini, dan hanya dapat digunakan untuk masalah klasifikasi biner.
Penambahan nilai input dengan bobotnya diproses oleh neuron (node). Setelah itu, jumlah yang dihasilkan ditransfer ke fungsi aktivasi, yang menghasilkan keluaran biner.
 |
| Sumber: medium.com |
2. Feedforward Neural Network
Jaringan syaraf tiruan feedforward adalah salah satu jaringan saraf tiruan yang paling dasar. Dalam JST ini, data atau input yang diberikan berjalan dalam satu arah.
Data masuk ke JST melalui input layer dan keluar melalui output layer sementara lapisan tersembunyi atau hidden layer bisa ada atau mungkin tidak ada. Jadi jaringan saraf tiruan feedforward hanya memiliki gelombang propagasi depan dan biasanya tidak memiliki propagasi mundur.
 |
| Sumber: medium.com |
3. Recurrent Neural Network
Recurrent Neural Network menyimpan output dari sebuah layer dan mengumpankan output ini kembali ke input untuk memprediksi hasil dari layer dengan lebih baik.
Lapisan pertama di RNN sangat mirip dengan Feed-forward Neural Network. Namun setelah output dari lapisan pertama dihitung, recurrent neural network akan mengumpannya ke unit berikutnya. Setiap unit akan mengingat beberapa informasi dari langkah sebelumnya sehingga dapat bertindak sebagai sel memori dalam melakukan perhitungan.
4. Convolutional Neural Network
Convolutional neural network memiliki beberapa kesamaan dengan feedforward neural network, dimana hubungan antar unit memiliki bobot yang menentukan pengaruh satu unit terhadap unit lainnya.
Tetapi jaringan CNN memiliki satu atau lebih convolution layer yang menggunakan operasi konvolusi pada input dan kemudian meneruskan hasil yang diperoleh berupa output ke layer berikutnya. CNN memiliki aplikasi dalam pemrosesan ucapan dan gambar yang sangat berguna dalam visi komputer.
5. Modular Neural Network
Modular Neural Network berisi kumpulan jaringan saraf yang berbeda dan bekerja secara independen untuk mendapatkan output tanpa interaksi di antara neuronnya.
Masing-masing jaringan saraf yang berbeda melakukan sub-tugas yang berbeda dengan memperoleh masukan yang unik dibandingkan dengan jaringan lain. Keuntungan dari jaringan saraf tiruan ini adalah memecah proses komputasi yang besar dan kompleks menjadi komponen-komponen yang lebih kecil, sehingga mengurangi kompleksitasnya sambil tetap mendapatkan output yang dibutuhkan.
6. Radial Basis Function Neural Network
RBF Neural Network hanya terdiri dari satu hidden layer yang memiliki cara tersendiri untuk menghitung keluaran. RBF Neural Network didasarkan pada teorema cover, yang melemparkan data ke ruang dimensi yang lebih tinggi dengan menggunakan hidden layernya. Oleh karena itu jumlah neuron di hidden layer harus lebih besar daripada jumlah neuron di lapisan input.
 |
| Sumber: medium.com |
Penutup
Demikianlah penjelasan lengkap mengenai Jaringan Saraf Tiruan. Semoga bermanfaat.
Apabila Anda tertarik dengan artikel seperti ini, Anda bisa mengunjungi rubrik Deep Learning atau membaca artikel lainnya mengenai "Algoritma BERT: model NLP canggih buatan Google".
Salam!
Referensi:
Posting Komentar untuk "Mengenal Jaringan Saraf Tiruan (JST): Arsitektur dan Jenis-jenisnya"
Komentar SPAM akan disensor. Harap gunakan kalimat yang tidak menjurus pada SARA dan pornografi.