Mengenal Jaringan Saraf Tiruan Dalam Pembelajaran Kecerdasan Buatan

Mengenal Jaringan Saraf Tiruan Dalam Pembelajaran Kecerdasan Buatan
Mengenal Jaringan Saraf Tiruan Dalam Pembelajaran Kecerdasan Buatan

 

Jaringan Saraf Tiruan (JST) merupakan teknologi utama dari banyak sistem komputer kecerdasan buatan.  Jaringan saraf tiruan ini terinspirasi oleh struktur biologis otak manusia. Dengan menggunakan struktur neuron yang terhubung jaringan saraf tiruan  ini dapat mempelajari memproses serta mengevaluasi data tertentu tanpa keterlibatan manusia.

 

Salah satu contoh praktis tersebut adalah penggunaan jaringan saraf tiruan (JST) untuk mengenali objek dalam gambar. Dalam membangun sistem untuk mengidentifikasi gambar Singa, jaringan saraf tiruan akan dilatih pada kumpulan data yang berisi gambar berlabel singa. Sehingga dapat digunakan sebagai titik referensi untuk data analisis. 

 

Read More

Sama seperti orang yang belajar mengenali kucing berdasarkan fitur unik seperti ekor atau bulu. Jaringan saraf tiruan (JST) juga dapat mengenali kucing dengan menguraikan setiap gambar menjadi komponen yang berbeda seperti warna dan bentuk.

 

Jaringan saraf menyediakan tingkat pengurutan dan klasifikasi di atas data terkelola. Data tersebut dapat membantu mengelompokkan data berdasarkan kesamaan. Anda dapat menggunakan jaringan saraf tiruan (JST) untuk membuat filter spam yang canggih, algoritma untuk menemukan perilaku curang dan alat hubungan pelanggan yang dapat memahami emosi secara akurat.

 

Baca juga : Mengetahui Apa Itu Chip Kecerdasan Buatan

 

 

1. Cara Kerja Jaringan Saraf Tiruan 

Jaringan saraf tiruan terinspirasi oleh jaringan saraf otak manusia dan dibangun menggunakan node komputasi yang mirip dengan neuron. Simpul ini berinteraksi dengan informasi di sepanjang saluran seperti cara kerja sinapsis. Artinya keluaran dari satu node komputasi akan mempengaruhi pemrosesan node komputasi yang lain.

 

Mengenal Jaringan Saraf Tiruan Dalam Pembelajaran Kecerdasan Buatan

 

Jaringan saraf menandai lompatan besar dalam pengembangan kecerdasan buatan. Sebelumnya, kecerdasan buatan selalu mengandalkan penggunaan proses yang telah ditentukan sebelumnya dan intervensi manusia untuk menghasilkan hasil yang diinginkan.

 

Jaringan syaraf tiruan dapat membuat beban analisis didistribusikan dalam jaringan beberapa lapisan interkoneksi. Setiap lapisan interkoneksi berisi node interkoneksi. Setelah memproses informasi dan melakukan pemrosesan data, informasi tersebut akan diteruskan ke node berikutnya dan kemudian diteruskan ke berbagai lapisan. Idenya adalah untuk memungkinkan informasi lain dihubungkan ke jaringan untuk menginformasikan pemrosesan setiap tahap.

 

Baca juga : 6 Proses Bisnis Menggunakan Teknologi Kecerdasan Buatan

 

 

2. Struktur Dasar Jaringan Saraf

Sama seperti struktur jaring ikan, satu lapisan jaringan saraf menggunakan rantai untuk menghubungkan node pemrosesan bersama. Jumlah koneksi yang besar meningkatkan komunikasi antara node. Sehingga meningkatkan akurasi dan throughput pemrosesan data.

 

Mengenal Jaringan Saraf Tiruan Dalam Pembelajaran Kecerdasan Buatan

 

Jaringan saraf tiruan kemudian menumpuk banyak lapisan di atas satu sama lain untuk menganalisis data. Membuat aliran data masukan dan keluaran dari lapisan pertama ke lapisan terakhir. Meskipun jumlah lapisan akan bervariasi sesuai dengan sifat jaringan saraf tiruan dan tugasnya. Idenya adalah meneruskan data dari satu lapisan ke lapisan lainnya dan menambahkan informasi tambahan bersamanya.

 

Otak manusia dihubungkan oleh matriks 3D, bukan lapisan bertumpuk dalam jumlah besar. Sama seperti otak manusia, ketika sebuah simpul menerima rangsangan tertentu. Ia mentransmisikan sinyal pada jaringan saraf tiruan dan mengirimkan sinyal tersebut ke simpul lain. Namun, untuk jaringan syaraf tiruan, sinyal masukan didefinisikan sebagai bilangan real dan keluarannya adalah jumlah dari berbagai masukan.

 

Nilai masukan ini bergantung pada bobotnya yang digunakan untuk menambah atau mengurangi pentingnya data masukan. Sesuai dengan tugas yang sedang dilakukan. Tujuannya adalah untuk mengambil sejumlah masukan numerik biner dan mengubahnya menjadi keluaran numerik biner tunggal.

 

Model jaringan saraf awalnya menggunakan struktur dasar di mana hanya satu lapisan masukan dan keluaran yang digunakan. Sistem modern terdiri dari lapisan masukan dan lapisan keluaran. Lapisan masukan pertama kali memasukkan data ke dalam jaringan dan beberapa lapisan tersembunyi meningkatkan kompleksitas analisis data.

 

Di sinilah istilah deep learning berasal dari bagian “deep” yang secara khusus mengacu pada jaringan neural menggunakan beberapa lapisan tersembunyi.

 

Baca Juga : Apakah Kecerdasan Buatan (AI) Menimbulkan Ancaman Bagi Manusia?

 

 

3. Studi Kasus Undangan Pesta Menggunakan Jaringan Saraf

Untuk mengilustrasikan cara kerja jaringan saraf tiruan dalam praktiknya, Labkom99 akan menyederhanakannya menjadi studi kasus sederhana undangan pesta.

 

Bayangkan Anda diundang ke sebuah pesta dan Anda sedang memutuskan apakah akan hadir. Ini mungkin memerlukan pertimbangan pro dan kontra dan memasukkan berbagai faktor ke dalam proses pengambilan keputusan. Dalam contoh ini, hanya tiga faktor yang dipilih- “Apakah teman-teman saya datang ?”, “Apakah tempat pestanya jauh?”, “Akankah cuacanya bagus?”

 

Dengan mengubah pertimbangan ini menjadi nilai biner, proses tersebut dapat dimodelkan menggunakan jaringan saraf tiruan. Misalnya, kita dapat menentukan nilai biner untuk “cuaca”, yaitu, ‘1’ mewakili hari cerah dan ‘0’ mewakili cuaca buruk. Setiap determinan akan mengulangi format yang sama.

 

Namun, hanya memberikan nilai saja tidak cukup. Karena itu tidak dapat membantu Anda membuat keputusan. Untuk itu perlu ditentukan ambang batas. Yaitu jumlah faktor positif melebihi jumlah faktor negatif. Menurut nilai biner, ambang batas yang sesuai bisa jadi 2. 

 

Dengan kata lain, sebelum memutuskan untuk pergi ke pesta, ambang batas kedua faktor tersebut adalah 1. Jika teman Anda akan pergi ke pesta (‘1’) dan cuacanya bagus (‘1’), ini berarti Anda dapat hadir ke pesta tersebut.

 

Jika cuaca buruk (‘0’) dan tempat pertemuan jauh (‘0’), ambang batas ini tidak akan tercapai. Bahkan jika teman Anda hadir (‘1’), Anda tidak akan datang ke pesta.

 

Baca juga : Penggunaan Kecerdasan Buatan Untuk Analisis Prediktif

 

 

4. Pembobotan Saraf

Pembobotan adalah contoh yang sangat mendasar dari prinsip-prinsip dasar jaringan saraf, tetapi mudah-mudahan ini membantu menyoroti konsep nilai biner dan ambang batas. Namun, proses pengambilan keputusan jauh lebih rumit daripada contoh ini, dan secara umum, satu faktor memiliki dampak yang lebih besar pada proses pengambilan keputusan daripada yang lain.

 

Untuk membuat variasi ini, Anda dapat menggunakan “pembobotan neural” -multiplying bobot faktor untuk menentukan pentingnya nilai biner faktor terhadap faktor lain.

 

Meskipun setiap pertimbangan dalam contoh mungkin menyulitkan Anda untuk membuat keputusan, Anda dapat lebih menekankan pada satu atau dua faktor ini. Jika Anda tidak ingin pergi ke pesta saat hujan lebat, cuaca buruk akan melebihi dua pertimbangan lainnya. Dalam contoh ini, Anda dapat memberikan bobot lebih pada nilai biner faktor cuaca:

 

Cuaca = w5

Teman = w2

Jarak = w2

Jika Anda berasumsi bahwa ambang batas sekarang disetel ke 6, cuaca buruk (nilai 0) akan mencegah masukan yang tersisa mencapai ambang batas yang diperlukan, sehingga simpul tidak akan “memicu” (artinya Anda akan memutuskan untuk tidak pergi ke pesta).

 

Meskipun ini adalah contoh sederhana, ini memberikan gambaran umum tentang pengambilan keputusan berdasarkan bobot yang diberikan. Jika ingin disimpulkan sebagai sistem pengenalan citra, berbagai pertimbangan apakah akan menghadiri pesta (masukan) akan menjadi karakteristik kompromi dari citra tertentu, yaitu warna, ukuran, atau bentuk. Misalnya, sistem yang melatih anjing untuk mengenali bentuk atau warna dapat memberi bobot lebih.

 

Ketika jaringan saraf dalam status pelatihan, bobot dan ambang batas akan disetel ke nilai acak. Kemudian, ketika data latih dilewatkan melalui jaringan, akan terus dilakukan penyesuaian hingga diperoleh keluaran yang konsisten.

 

Baca juga : Apa itu Natural Language Processing ? Apa Itu Pemrosesan ?

 

 

5. Manfaat JST

Jaringan saraf dapat belajar secara organik. Dengan kata lain, hasil keluaran jaringan syaraf tiruan tidak sepenuhnya dibatasi oleh data masukan. Jaringan saraf tiruan dapat menggeneralisasi data masukan dan membuatnya berharga dalam sistem pengenalan pola.

 

Mereka juga dapat menemukan jalan pintas ke jawaban yang intensif secara komputasi. Jaringan saraf tiruan dapat menyimpulkan hubungan antara titik data, daripada mengharapkan bahwa catatan di sumber data terkait dengan jelas.

 

Mereka juga bisa toleran terhadap kesalahan. Ketika jaringan saraf diperluas ke beberapa sistem, mereka dapat melewati node yang hilang yang tidak dapat berkomunikasi. Selain merutekan di sekitar bagian jaringan yang tidak lagi berfungsi, jaringan saraf tiruan juga dapat meregenerasi data melalui penalaran dan membantu mengidentifikasi node non-fungsional. Ini sangat berguna untuk diagnosis mandiri jaringan dan debugging.

 

Namun, keuntungan terbesar yang diberikan oleh jaringan neural dalam adalah kemampuan untuk memproses dan mengelompokkan data tidak terstruktur, seperti gambar, file audio, video, teks, angka, dan data lainnya. Dalam hierarki analisis, setiap lapisan node dilatih berdasarkan keluaran dari lapisan sebelumnya, dan jaringan neural dalam dapat memproses sejumlah besar data tidak terstruktur ini untuk menemukan kesamaan sebelum analisis pemrosesan manusia.

 

Baca juga : Kontribusi Kecerdasan Buatan (AI) Dalam Kehidupan Nyata

 

 

6. Contoh JST

Ada banyak contoh aplikasi jaringan neural yang dapat digunakan untuk mendapatkan wawasan dari data yang kompleks atau tidak tepat.

 

Pengenalan citra jaringan saraf tiruan dapat memecahkan masalah seperti menganalisis foto objek tertentu. Algoritma ini dapat digunakan untuk membedakan anjing dari kucing. Lebih penting lagi, jaringan saraf telah digunakan untuk mendiagnosis kanker hanya dengan menggunakan informasi bentuk sel.

 

Selama 30 tahun terakhir, jaringan saraf keuangan telah digunakan untuk prakiraan nilai tukar, kinerja saham dan prakiraan seleksi. Jaringan saraf juga digunakan untuk menentukan nilai kredit pinjaman dan belajar mengidentifikasi dengan benar risiko kredit yang baik atau buruk. Jaringan syaraf telekomunikasi telah digunakan oleh perusahaan telekomunikasi untuk mengoptimalkan perutean dan kualitas layanan dengan mengevaluasi lalu lintas jaringan secara real time.

Related posts

Leave a Reply

Your email address will not be published. Required fields are marked *