Apa itu Jaringan Saraf Tiruan?

Apa itu Jaringan Saraf Tiruan (ANNs)?

Banyak kemajuan terbesar dalam AI didorong oleh jaringan saraf tiruan. Jaringan Saraf Tiruan (ANNs) adalah koneksi dari 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 tersebut ke data yang tidak terlihat untuk mengklasifikasikan/mengenali data. Dengan cara ini, mesin “belajar”. Itu adalah ringkasan singkat tentang jaringan saraf, tetapi mari kita lihat lebih dekat pada jaringan saraf untuk memahami apa mereka dan bagaimana mereka bekerja.

Multi-Layer Perceptron Explained

Sebelum kita melihat jaringan saraf yang lebih kompleks, kita akan melihat versi sederhana dari ANN, Multilayer Perceptron (MLP).

Bayangkan sebuah lini perakitan di sebuah pabrik. Di lini perakitan ini, satu pekerja menerima sebuah item, membuat beberapa penyesuaian pada itu, dan kemudian melewatkan itu ke pekerja berikutnya di lini yang melakukan hal yang sama. Proses ini berlanjut sampai pekerja terakhir di lini menambahkan sentuhan akhir pada item dan meletakkannya di sebuah ban berjalan yang akan membawa itu keluar dari pabrik. Dalam analogi ini, ada beberapa “lapisan” di lini perakitan, dan produk bergerak antara lapisan saat mereka bergerak dari pekerja ke pekerja. Lini perakitan juga memiliki titik masuk dan titik keluar.

Multi-Layer Perceptron dapat dipikirkan sebagai lini produksi yang sangat sederhana, terdiri dari tiga lapisan total: lapisan input, lapisan tersembunyi, dan lapisan output. Lapisan input adalah tempat data dimasukkan ke MLP, dan di lapisan tersembunyi beberapa “pekerja” menangani data sebelum melewatkan itu ke lapisan output yang memberikan produk ke dunia luar. Dalam kasus MLP, pekerja-pekerja ini disebut “neuron” (atau kadang-kadang node) dan saat mereka menangani data mereka memanipulasi itu 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 mereka bergerak melalui jaringan. Dengan kata lain, bobot mencerminkan tingkat pengaruh yang satu neuron memiliki atas neuron lain. Bobot melewati sebuah “fungsi aktivasi” saat mereka meninggalkan node saat ini, yang merupakan jenis fungsi matematika yang mengubah data. Mereka mengubah data linier menjadi representasi non-linier, yang memungkinkan jaringan menganalisis pola kompleks.

Analogi dengan otak manusia yang diimplikasikan oleh “jaringan saraf tiruan” berasal dari fakta bahwa neuron yang membuat otak manusia dihubungkan dalam cara yang serupa dengan cara node di ANN dihubungkan.

Sementara multilayer perceptron telah ada sejak 1940-an, ada beberapa keterbatasan yang mencegah mereka menjadi sangat berguna. Namun, selama beberapa dekade terakhir, sebuah teknik yang disebut “backpropagation” diciptakan yang memungkinkan jaringan menyesuaikan bobot neuron dan dengan demikian belajar lebih efektif. Backpropagation mengubah bobot di jaringan saraf, memungkinkan jaringan menangkap pola sebenarnya dalam data lebih baik.

Deep Neural Networks

Jaringan saraf dalam mempertahankan bentuk dasar MLP dan membuatnya lebih besar dengan menambahkan lebih banyak lapisan tersembunyi di tengah model. Jadi, bukan hanya ada lapisan input, lapisan tersembunyi, dan lapisan output, ada banyak lapisan tersembunyi di tengah dan output dari satu lapisan tersembunyi menjadi input untuk lapisan tersembunyi berikutnya sampai data telah melewati seluruh jaringan dan dikembalikan.

Lapisan tersembunyi yang banyak di jaringan saraf dalam mampu menafsirkan pola yang lebih kompleks daripada multilayer perceptron tradisional. Lapisan yang berbeda di jaringan saraf dalam belajar pola dari bagian data yang berbeda. Misalnya, jika data input terdiri dari gambar, bagian pertama jaringan mungkin menafsirkan kecerahan atau kegelapan piksel sementara lapisan yang lebih lambat akan memilih bentuk dan tepi yang dapat digunakan untuk mengenali objek dalam gambar.

Jenis Jaringan Saraf yang Berbeda

Ada beberapa jenis jaringan saraf, dan setiap jenis jaringan saraf memiliki kelebihan dan kekurangan (dan oleh karena itu memiliki kasus penggunaan yang berbeda). Jenis jaringan saraf dalam yang dijelaskan di atas adalah jenis jaringan saraf yang paling umum, dan sering disebut sebagai jaringan saraf feedforward.

Satu variasi jaringan saraf adalah Jaringan Saraf Rekuren (RNN). Dalam kasus Jaringan Saraf Rekuren, mekanisme pengulangan digunakan untuk menyimpan informasi dari keadaan sebelumnya, yang berarti mereka dapat menafsirkan data di mana urutan penting. RNN berguna dalam menghasilkan pola dari data urutan/kronologis. Jaringan Saraf Rekuren dapat berupa unidireksional atau bidireksional. Dalam kasus jaringan saraf bidireksional, jaringan dapat mengambil informasi dari bagian akhir urutan serta bagian awal urutan. Karena jaringan saraf bidireksional mengambil informasi lebih banyak, mereka lebih mampu menghasilkan pola yang tepat dari data.

Jaringan Saraf Konvolusional adalah jenis jaringan saraf khusus yang terampil dalam menafsirkan pola yang ditemukan dalam gambar. Jaringan Saraf Konvolusional bekerja dengan melewati filter atas piksel gambar dan mencapai representasi numerik piksel dalam gambar, yang kemudian dapat dianalisis untuk pola. Jaringan Saraf Konvolusional terstruktur sehingga lapisan konvolusional yang menarik piksel dari gambar datang pertama, dan kemudian lapisan feedforward yang terhubung rapat datang setelah itu, yang sebenarnya akan belajar mengenali objek, datang setelah ini.