Apa itu Neural Network?

Apa itu Artificial Neural Networks (ANNs)?

Banyak kemajuan terbesar dalam AI adalah digerakkan oleh jaringan syaraf tiruan. Jaringan Syaraf Tiruan (JST) adalah koneksi fungsi matematika yang digabungkan dalam format yang terinspirasi oleh jaringan saraf yang ditemukan di otak manusia. ANN ini mampu mengekstrak pola kompleks dari data, menerapkan pola ini pada data yang tidak terlihat untuk mengklasifikasikan/mengenali data. Dengan cara ini, mesin “belajar”. Itu adalah ikhtisar singkat tentang jaringan saraf, tapi mari kita lihat lebih dekat jaringan saraf untuk lebih memahami apa itu jaringan saraf dan cara kerjanya.

Multi-layer Perceptron Dijelaskan

Sebelum kita melihat jaringan saraf yang lebih kompleks, kita akan meluangkan waktu sejenak untuk melihat versi sederhana dari JST, Multi-Layer Perceptron (MLP).

Bayangkan jalur perakitan di sebuah pabrik. Pada jalur perakitan ini, seorang pekerja menerima sebuah item, membuat beberapa penyesuaian, dan kemudian meneruskannya ke pekerja berikutnya di lini yang melakukan hal yang sama. Proses ini berlanjut hingga pekerja terakhir dalam antrean memberikan sentuhan akhir pada item tersebut dan meletakkannya di ikat pinggang yang akan mengeluarkannya dari pabrik. Dalam analogi ini, ada beberapa “lapisan” ke jalur perakitan, dan produk bergerak di antara lapisan saat berpindah dari satu pekerja ke pekerja lainnya. Jalur perakitan juga memiliki titik masuk dan titik keluar.

Multi-Layer Perceptron dapat dianggap sebagai jalur produksi yang sangat sederhana, terbuat dari tiga lapisan total: lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Lapisan masukan adalah tempat data dimasukkan ke dalam MLP, dan di lapisan tersembunyi sejumlah "pekerja" menangani data sebelum meneruskannya ke lapisan keluaran yang memberikan produk ke dunia luar. Dalam contoh MLP, pekerja ini disebut "neuron" (atau terkadang node) dan saat mereka menangani data, mereka memanipulasinya melalui serangkaian fungsi matematika.

Di dalam jaringan, ada struktur yang menghubungkan node ke node yang disebut "bobot”. Bobot adalah asumsi tentang bagaimana titik data terkait saat bergerak melalui jaringan. Dengan kata lain, bobot mencerminkan tingkat pengaruh yang dimiliki satu neuron terhadap neuron lainnya. Bobot melewati "fungsi aktivasi" saat meninggalkan simpul saat ini, yang merupakan jenis fungsi matematika yang mengubah data. Mereka mengubah data linier menjadi representasi non-linier, yang memungkinkan jaringan untuk menganalisis pola yang kompleks.

Analogi dengan otak manusia yang tersirat oleh "jaringan syaraf tiruan" berasal dari fakta bahwa neuron yang membentuk otak manusia digabungkan bersama dengan cara yang mirip dengan bagaimana node dalam JST dihubungkan.

Sementara perceptron multi-layer telah ada sejak tahun 1940-an, ada sejumlah batasan yang mencegahnya menjadi sangat berguna. Namun, selama beberapa dekade terakhir, sebuah teknik yang disebut "propagasi mundur” diciptakan yang memungkinkan jaringan menyesuaikan bobot neuron dan dengan demikian belajar lebih efektif. Propagasi mundur mengubah bobot dalam jaringan saraf, memungkinkan jaringan menangkap pola sebenarnya dalam data dengan lebih baik.

Jaringan Neural Dalam

Jaringan saraf dalam mengambil bentuk dasar MLP dan membuatnya lebih besar dengan menambahkan lebih banyak lapisan tersembunyi di tengah model. Jadi bukannya ada lapisan masukan, lapisan tersembunyi, dan lapisan keluaran, ada banyak lapisan tersembunyi di tengah dan keluaran dari satu lapisan tersembunyi menjadi masukan untuk lapisan tersembunyi berikutnya sampai data selesai. melalui jaringan dan dikembalikan.

Beberapa lapisan tersembunyi dari jaringan saraf yang dalam mampu menginterpretasikan pola yang lebih kompleks daripada perceptron multilayer tradisional. Lapisan berbeda dari jaringan saraf dalam mempelajari pola bagian data yang berbeda. Misalnya, jika data masukan terdiri dari gambar, bagian pertama dari jaringan mungkin menginterpretasikan kecerahan atau kegelapan piksel sedangkan lapisan selanjutnya akan memilih bentuk dan tepi yang dapat digunakan untuk mengenali objek dalam gambar.

Berbagai Jenis Jaringan Syaraf Tiruan

Ada berbagai jenis jaringan saraf, dan masing-masing dari berbagai jenis jaringan saraf memiliki kelebihan dan kekurangannya sendiri (dan karenanya kasus penggunaannya sendiri). Jenis jaringan saraf dalam yang dijelaskan di atas adalah jenis jaringan saraf yang paling umum, dan sering disebut sebagai jaringan saraf umpan maju.

Salah satu variasi pada jaringan saraf adalah Recurrent Neural Network (RNN). Dalam kasus Jaringan Neural Berulang, mekanisme perulangan digunakan untuk menyimpan informasi dari kondisi analisis sebelumnya, artinya mekanisme tersebut dapat menafsirkan data jika urutannya penting. RNN berguna dalam memperoleh pola dari data sekuensial/kronologis. Jaringan Neural Berulang dapat bersifat satu arah atau dua arah. Dalam kasus jaringan saraf dua arah, jaringan dapat mengambil informasi dari urutan selanjutnya serta bagian awal dari urutan tersebut. Karena RNN dua arah memperhitungkan lebih banyak informasi, RNN lebih mampu menggambar pola yang tepat dari data.

Jaringan Neural Konvolusional adalah jenis jaringan saraf khusus yang mahir dalam menafsirkan pola yang ditemukan dalam gambar. CNN beroperasi dengan melewatkan filter pada piksel gambar dan mencapai representasi numerik piksel dalam gambar, yang kemudian dapat dianalisis polanya. CNN disusun sedemikian rupa sehingga lapisan konvolusional yang menarik piksel keluar dari gambar didahulukan, dan kemudian lapisan feed-forward yang terhubung erat, yaitu lapisan yang benar-benar akan belajar mengenali objek, muncul setelahnya.