Dalam era digital yang terus berkembang, istilah neural network menjadi semakin dikenal. Neural network atau Jaringan Saraf Tiruan (JST) adalah salah satu konsep yang mengambil inspirasi dari cara kerja jaringan saraf manusia. Teknologi ini menjadi fondasi bagi banyak aplikasi kecerdasan buatan yang kita temui sehari-hari, mulai dari pengenalan wajah di media sosial hingga prediksi pasar saham.
Dengan memahami dasar-dasar neural network, kita dapat menganalisis data, pengolahan gambar, hingga pengembangan teknologi otomatisasi.
Artikel ini akan membahas secara mendalam tentang pengertian, jenis-jenis, dan aplikasi praktis dari neural network dalam berbagai bidang kehidupan sehari-hari.
Apa Itu Neutral Network?
Neural network adalah sistem komputasi yang mengikuti prinsip kerja jaringan saraf dalam otak manusia. Neural network sering disebut artificial neural network (untuk membedakannya dari jaringan saraf manusia). Jaringan ini terdiri dari sejumlah node (unit) yang saling terhubung dan sering disebut neuron buatan.
Setiap koneksi neural network yang beroperasi, akan mirip dengan sinapsis dalam otak manusia, sehingga memungkinkan pengiriman sinyal dari satu neuron ke neuron lainnya. Sinyal yang diterima diolah dan diteruskan ke neuron terhubung berikutnya. Dalam konteks ini, “sinyal” merujuk pada bilangan nyata, ya.
Neural network seringkali dikaitkan dengan deep learning karena deep learning, sebagai salah satu teknik dalam machine learning yang menggunakan neural network untuk memproses data. Dengan demikian, kedua konsep ini sering dibahas bersamaan dalam konteks teknologi dan ilmu komputer.
Cara Kerja Neural Network
Neural network adalah model komputasi yang prosesnya mirip dengan jaringan saraf biologis manusia. Bagaimana sebenarnya cara kerja dari neural network ini? Yuk, simak penjelasan cara kerjanya di bawah ini, ya!
- Layer Masukan (Input Layer)
Neural network menerima kumpulan data yang disebut sebagai “input“. Misalnya, jika ingin mengenali gambar atau visual image, input bisa berupa pixel-pixel dari gambar tersebut.
- Neuron dan Cara Kerjanya
Neuron merupakan unit dasar dari neural network. Setiap neuron menerima beberapa input, mengalikannya dengan “bobot” (weight), yang menentukan pentingnya setiap input bagi neuron tersebut. Selanjutnya, hasil perkalian dijumlahkan dan ditambahkan dengan “bias”, pengatur dasar untuk neuron, agar responsnya lebih fleksibel.
“Fungsi aktivasi” akan mengubah nilai hasil menjadi output neuron. Fungsi aktivasi sangat bervariasi, tapi tujuannya adalah membatasi rentang output, seperti memastikan nilainya berada di antara 0 dan 1, atau -1 dan 1.
- Layer Tersembunyi (Hidden Layer)
Setelah layer masukan, data melalui satu atau lebih “layer tersembunyi”. Di sini, neuron bekerja bersama untuk mengolah informasi kompleks. Layer tersembunyi memungkinkan neural network mempelajari pola-pola dari data.
- Layer Keluaran (Output Layer)
Proses akhir yaitu output layer. Jumlah neuron di sini sesuai dengan jenis prediksi yang diinginkan. Misalnya, untuk pengenalan gambar kucing dan anjing, mungkin ada dua neuron, yaitu satu untuk kucing dan satu untuk anjing.
- Pelatihan (Training)
Saat diaktifkan, neural network belum mengetahui bobot dan bias yang tepat untuk membuat prediksi yang akurat. Oleh karena itu, kita perlu “melatih” jaringan dengan memberikannya contoh-contoh data dan jawaban yang benar.
Setiap kali jaringan membuat kesalahan, kita bisa mengukur kesalahan tersebut dan menggunakan “backpropagation” untuk menyesuaikan bobot dan bias di seluruh jaringan, sehingga kesalahan di masa depan dapat diminimalisir.
Jadi, cara kerja neural network bekerja adalah dengan menerima data, mengolahnya melalui serangkaian neuron dengan bobot dan bias, dan menghasilkan prediksi. Melalui pelatihan, jaringan “belajar” akan menyesuaikan bobot dan biasnya sehingga bisa memberikan prediksi yang lebih akurat.
Fungsi Neural Network
Neural network juga mempunya beberapa fungsi penting, yakni:
- Mengklasifikasikan Pola
Dengan menggunakan neural network, berbagai pola dapat diklasifikasikan dengan lebih tepat. Neural network membantu dalam membagi pola-pola yang kompleks ke dalam klasifikasi yang sesuai, mengurangi kemungkinan kesalahan, dan menghasilkan output yang diharapkan.
- Memetakan Pola dari Input ke Output
Neural network atau Jaringan Saraf Tiruan (JST), melakukan pemrosesan dari penerimaan stimulus atau input hingga menghasilkan output. Proses ini melibatkan pemetaan pola dari awal hingga akhir dan memastikan setiap langkah pemrosesan berjalan lancar.
- Menyimpan Pola
Seluruh pola yang muncul dalam proses pemrosesan disimpan oleh sistem neural network. Penggunaan aplikasi yang menggunakan sistem neural network bisa penyimpanan pola secara efektif dan efisien.
- Memetakan Berbagai Pola yang Sejenis
Neural network memetakan berbagai pola yang serupa secara detail. Proses pemetaan ini berdasarkan pada jenis pola yang lebih spesifik dan pola sejenis akan dipetakan menjadi satu kesatuan sendiri.
- Dapat Mengoptimasi Masalah
Dengan adanya neural network, masalah yang dihadapi bisa diproses secara lebi lanjut dan bisa diselesaikan dengan optimal. Setiap solusi yang dipilih berdasarkan pemrosesan juga akan lebih optimal.
- Melakukan Prediksi
Dengan menggunakan Jaringan Saraf Tiruan (JST), prediksi atas suatu hal dapat dilakukan. Prediksi ini diharapkan memberikan informasi yang berguna dan menjadi solusi terbaik untuk masalah yang dihadapi. Melalui JST, prediksi dapat dilakukan dengan akurat dan efisien.
Apa Saja Jenis dan Metode Neural Network?
Setelah mengetahui pengertian dan fungsinya, ada beberapa jenis neural network yang memiliki fungsi berbeda, yaitu:
- Feedforward Neural Network (FNN)
FNN adalah jenis neural network yang paling sederhana. Dalam FNN, informasi bergerak maju dari input hingga output tanpa siklus atau loop kembali. FNN berguna untuk mengklasifikasikan apakah sebuah email termasuk spam atau tidak. Misalnya, ketika kita membuka kotak masuk dan melihat email yang dicurigai sebagai spam, FNN membantu mengidentifikasi email tersebut.
- Convolutional Neural Network (CNN)
Convolutional Neural Network (CNN) dirancang khusus untuk mengenali pola data yang berstruktur grid, misalnya visual image atau gambar. Salah satu penerapan dari CNN adalah fitur tag wajah di social media. Saat kita mengunggah foto ke Facebook, CNN secara otomatis mengenali wajah dan menyarankan tag untuk orang-orang dalam foto tersebut.
- Recurrent Neural Network (RNN)
RNN mampu “mengingat” informasi dari langkah sebelumnya, cocok untuk mengenali data berurutan seperti teks atau suara. Di kehidupan sehari-hari, RNN digunakan dalam aplikasi pengenalan suara, misalnya Siri atau Google Assistant. Ketika kita bertanya, “Apa nama ibu kota Indonesia?” RNN akan membantu mengenali dan memproses pertanyaan tersebut.
- Long Short-Term Memory (LSTM)
LSTM adalah varian dari RNN yang lebih canggih dan mampu mengingat informasi dalam jangka waktu yang lebih panjang. Contohnya adalah fitur prediksi teks pada smartphone, seperti saat ponsel menyarankan kata (suggest) yang mungkin akan diketik setelah kata tertentu.
- Generative Adversarial Networks (GAN)
GAN terdiri dari dua jaringan, yaitu menghasilkan data dan menilai data tersebut. Contohnya adalah kemampuan untuk membuat gambar atau ilustrasi yang tampak nyata melalui website.
- Self-Organizing Maps (SOM)
Self-Organizing Maps (SOM) jenis neural neutron yang menggunakan data untuk melatih dirinya sendiri dan mampu mengorganisir informasi tanpa adanya supervisi. SOM mampu memetakan segmentasi pelanggan di dunia pemasaran, seperti mengelompokkan pelanggan berdasarkan perilaku belanjanya.
5 Contoh Aplikasi Neural Network
Setelah memahami pengertian dan fungsi neural network, kita mungkin menyadari bahwa jaringan ini cukup akrab dengan kehidupan kita sehari-hari. Berikut ini adalah contoh penerapan sistem neural network di sekitar kita.
- Facial Recognition
Facial recognition menggunakan computer vision untuk mendeteksi wajah. Sistem ini melakukan ekstraksi, analisis, klasifikasi, dan pemahaman informasi otomatis. Teknologi ini dapat mengkategorikan foto secara otomatis berdasarkan wajah di dalamnya, seperti yang dilakukan oleh fitur Google Photos.
- Sensor Fingerprint
Sensor fingerprint pada smartphone juga menggunakan neural network. Ponsel akan menyimpan data fisik pemiliknya dan membuka kunci perangkat jika data tersebut cocok. Jika tidak cocok, ponsel dapat beralih ke metode kunci lainnya.
- Stock Market Prediction
Neural network, seperti Multilayer Perceptron (MLP), digunakan untuk memprediksi pergerakan saham secara real-time. MLP mempertimbangkan kinerja saham di masa lalu, pengembalian tahunan, dan rasio laba untuk membangun model prediksi.
- Social Media
Jaringan Saraf Tiruan (JST) digunakan untuk mempelajari perilaku pengguna media sosial dan tren belanja masyarakat. MLP bisa memprediksi tren media sosial, menggunakan metode pelatihan yang berbeda, seperti Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Squared Error (MSE).
MLP mempertimbangkan beberapa faktor, seperti halaman instagram favorit pengguna, pilihan yang ditandai, dan lain sebagainya. Faktor-faktor ini dianggap sebagai masukan untuk pelatihan model MLP. Adanya aplikasi media sosial yang terus berubah, neural network pasti dapat berfungsi sebagai model yang paling sesuai untuk menganalisis data pengguna.
- Aerospace
Dalam Aerospace Engineering, jaringan saraf digunakan dalam diagnosis kesalahan, pengujian otomatis, pengamanan sistem kendali pesawat, dan pemodelan simulasi dinamis. Time-Delay Neural Network (TNN) digunakan untuk pengenalan pola dan meningkatkan keamanan autopilot dalam pesawat.
Penggunaan algoritma neural network tidak terbatas pada dunia akademik atau penelitian saja. Algoritma-algoritma ini telah merambah ke berbagai aspek kehidupan sehari-hari, dari penggunaan smartphone, media sosial, hingga belanja online. Mungkin saja kita telah menggunakan salah satu atau beberapa jenis algoritma neural network ini tanpa kita menyadarinya.
Contoh Perhitungan Manual Neural Network
Perhitungan manual neural network memerlukan pemahaman yang kuat tentang konsep dasar jaringan saraf dan operasi matematika di baliknya. Mari kita lihat contoh sederhana perhitungan manual pada sebuah feedforward neural network dengan satu layer input, satu layer tersembunyi, dan satu layer output.
Misalkan kita memiliki input data x1 dan x2 yang akan dimasukkan ke dalam neural network. Kita juga memiliki bobot (weights) w1, w2, w3, w4 untuk menghubungkan input ke layer tersembunyi, dan bobot w5 dan w6 untuk menghubungkan layer tersembunyi ke output.
Selanjutnya, ada juga bias (bias) b1 dan b2 untuk layer tersembunyi, dan b3 untuk output.
Langkah-langkah perhitungan manualnya adalah sebagai berikut, ya.
- Forward Propagation
- Menghitung nilai masukan ke neuron pada layer tersembunyi:
z1 = (x1 x w1) + (x2 x w2) + b1
z2 = (x1 x w3) + (x2 x w4) + b1 - Menggunakan fungsi aktivasi, misalnya sigmoid, untuk menghitung nilai output dari neuron pada layer
- Menghitung nilai masukan ke neuron output.
z3 = (a1 x w5) + (a2 x w6) + b2 - Menggunakan fungsi aktivasi untuk menghitung nilai output dari neuron output.
- Perhitungan Loss (Kesalahan)
- Hitung loss menggunakan fungsi loss seperti Mean Squared Error (MSE):
Di mana y adalah nilai target yang seharusnya, dan y ̂ adalah nilai output yang diprediksi oleh neural network.
- Backpropagation
- Menghitung gradien dari loss terhadap bobot dan bias menggunakan algoritma backpropagation.
- Update bobot dan bias menggunakan algoritma optimasi seperti Stochastic Gradient Descent (SGD) atau Adam.
- Iterasi
Mengulangi langkah-langkah 1 hingga 3 menggunakan data pelatihan lainnya dan ulangi proses ini sejumlah iterasi yang telah ditentukan atau hingga loss konvergen.
Perhitungan manual neural network ini memungkinkan pemahaman yang lebih mendalam tentang bagaimana neural network bekerja dan bagaimana mereka melakukan prediksi atau klasifikasi pada data.
Namun, untuk neural network yang lebih kompleks, perhitungan manual menjadi lebih rumit dan seringkali lebih efisien untuk menggunakan library atau framework machine learning.
Kesimpulan
Neural network adalah teknologi yang mengadopsi konsep jaringan saraf manusia untuk memproses data dan menghasilkan prediksi atau output yang relevan. Artikel ini telah membahas berbagai jenis neural network dan cara kerjanya, mulai dari feedforward neural network hingga convolutional neural network. Setiap jenis memiliki kegunaan dan penerapan yang berbeda sesuai dengan karakteristik data yang dihadapi.
Melalui pelatihan dan penyesuaian bobot serta bias, neural network dapat belajar dan meningkatkan akurasinya dalam memprediksi dan mengolah informasi.
Dengan perkembangan teknologi yang terus berlanjut, neural network menjadi semakin relevan dalam berbagai bidang, mulai dari pengenalan wajah hingga prediksi pasar saham.
Dengan pemahaman yang mendalam tentang konsep dan aplikasi neural network, kita dapat memanfaatkannya secara optimal untuk memecahkan berbagai masalah kompleks dalam kehidupan sehari-hari maupun dalam skala industri dan riset.
Referensi:
- https://www.analyticssteps.com/blogs/8-applications-neural-networks#google_vignette
- https://revou.co/kosakata/neural-network#contoh-penerapan-neural-network
- https://codingstudio.id/blog/apa-itu-neural-network/#Fungsi_Jaringan_NeuralNeural_Network
