Memahami Neural Network dan Penerapannya dalam Kehidupan Sehari-Hari

Pengertian Neural Network

Neural network disebut juga dengan jaringan saraf tiruan (JST) atau simulated neural networks (SNNs) adalah bagian dari machine learning dan inti dari algoritma deep learning. Istilah “neural network” berasal dari jaringan saraf biologis yang mengembangkan struktur otak manusia. Cara kerjanya mirip dengan otak manusia yang memiliki neuron-neuron yang saling terhubung satu sama lain, neural network juga memiliki neuron-neuron yang saling terhubung satu sama lain di berbagai lapisan jaringan. Neuron tersebut dikenal sebagai node.

Neural network menggunakan data training untuk mempelajari dan meningkatkan. Namun, setelah algoritm pembelajaran ini disesuaikan untuk akurasi, algoritma akan menjadi alat yang powerfull dalam ilmu komputer dan kecerdasan buatan, sehingga dapat digunakan untuk mengklasifikasikan dan mengelompokkan data dengan kecepatan tinggi. Misalnya pengenalan ucapan atau pengenalan gambar hanya membutuhkan waktu beberapa menit dibandingkan dengan identifikasi manual oleh pakar manusia yang membutuhkan waktu hingga berjam-jam. Salah satu jaringan saraf yang paling terkenal adalah algoritma Google search.
 

Fungsi Neural Network

Neural network adalah alat yang powerfull, digunakan untuk memecahkan masalah yang kompleks. Perusahaan menggunakan bentuk jaringan ini untuk mengidentifikasi pola dan memprediksi kejadian yang tidak diinginkan seperti deteksi penipuan.  

Jaringan ini mampu mengembangkan hubungan antara input dengan output non-linear dan kompleks. Hal tersebut membuat neural network cocok untuk proyek yang membutuhkan keputusan berdasarkan data.

Neural network dapat belajar untuk melakukan analisis data training, seperti suara, gambar, atau teks. Selain itu, neural network membantu komputer membuat keputusan cerdas berdasarkan data training yang sudah ada sebelumnya. Dengan menggunakan data training, neural network dapat berlatih untuk meningkatkan akurasi prediksinya. Ini menunjukkan jika neural network mengolah data dengan minim bantuan dari manusia.
 

Jenis-Jenis Neural Network

Terdapat berbagai jenis neurak network dan masing-masing memiliki karakteristik yang berbeda. Berikut ini adalah jenis neural network.

1.    Convolutional Neural Networks (CNNs)
Terdapat 5 lapisan dalam CNNs yaitu input, convolution, pooling, fully connected, dan output. Setiap lapisan memiliki fungsi tertentu, seperti meringkas, menghubungkan, atau mengaktifkan. CNNs biasa digunakan untuk klasifikasi gambar dan deteksi objek. Namun, CNNs juga dikembangkan semakin luas, seperti natural language processing and forecasting.

2.    Recurrent Neural Network (RNNs)
RNNs menggunakan informasi sekuensial seperti data dengan time-stamped dari sensor atau kalimat yang diucapkan. Tidak seperti neural network tradisional, semua input ke RNNs tidak independen dan output setiap elemen bergantung pada perhitungan elemen sebelumnya. RNNs digunakan dalam peramalan dan aplikasi deret waktu, analisis sentimen, dan aplikasi teks lainnya.

3.    Feed Forward Neural Networks
Feed forward neural networks merupakan salah satu jenis neural network yang sederhana. Hal itu karena sistem kerjanya menyampaikan informasi satu arah melalui node input. Informasi tersebut terus diproses hingga mencapai output mode. Feed forward neural networks memiliki lapisan tersembunyi untuk fungsionalitas dan jenis ini paling sering digunakan untuk teknologi pengenalan wajah.

4.    Autoencoder Neural Network
Jenis neural network ini digunakan untuk membuat abstraksi yang disebut encoders, dibuat dari input yang diberikan. Walupun mirip dengan neural network tradisional, autoencoder dapat memodelkan inputnya sendiri, sehingga metode tersebut masuk dalam unsupervised. Dasar dari autoencoder adalah untuk melemahkan yang tidak relevan dan menyadarkan yang relevan. Encoders kemudian dapat digunakan untuk pengklasifikasi linier atau nonlinier.

5.    Deconvolusional Neural Network
Cara kerja deconvolusional neural network berkebalikan dengan CNNs. Penerapan jaringan digunakan untuk mendeteksi item penting yang mungkin telah dikenali di bawah CNNs. Item tersebut kemudian akan dibuang selama proses eksekusi CNNs. Jenis neural network ini banyak digunakan untuk analisis atau pemrosesan gambar.

6.    Modular Neural Network
Di dalam modular neural network terdapat beberapa jaringan yang bekerja secara independen. Jaringan ini tidak berinteraksi satu sama lain selama proses analisis. Proses analisis dilakukan untuk menjalankan proses komputasi yang kompleks dengan lebih efisien. Sama dengan industri modular lainnya seperti real estat modular, tujuan independensi jaringan adalah agar setiap bagian bertanggung jawab atas bagian tertentu dari gambaran keseluruhan yang lebih luas.
 

Istilah-Istilah dalam Neural Network

Berikut ini adalah istilah umum dalam neural network.

1.    Neuron
Neuron merupakan unit pemrosesan inti dalam neural network. Setiap neural network terdiri dari neuron-neuron yang saling terhubung dan menerima input serta menghasilkan output. Strukturnya menyerupai neuron dalam otak manusia.

2.    Layer (lapisan)
Neural network terdiri dari tiga lapisan, yaitu lapisan input, lapisan tersembunyi, dan lapisan output. Lapisan input adalah lapisan tempat masuknnya informasi. Lapisan tersembunyi adalah tempat komputasi atau perhitungan matematis dilakukan. Sedangkan lapisan output menampilkan hasil output.

•    Input Layer (lapisan masukan)
Lapisan masukan merupakan lapisan pertama dari setiap neural network, yang berfungsi untuk menerima data input ke jaringan. Setiap neuron direpresentasikan sebagai simpul lingkaran kecil (x1, x2, …, xn), sesuai dengan satu fitur dari kumpulan data. Misalnya, dalam model prediksi harga rumah, lapisan masukan mungkin memiliki neuron untuk ukuran rumah, jarak dari stasiun kereta api, dan jarak dari pasar. Memahami lapisan masukan dan perannya dalam neural network sangat penting untuk merancang dan melatih model yang efisien. Infromasi dari lapisan masukan akan diteruskan melalui lapisan tersembunyi menuju lapisan keluaran.

•    Output Layer (lapisan keluaran)
Lapisan keluaran dalam neural network mewakili prediksi akhir yang dihasilkan oleh jaringan. Jumlah neuron pada lapisan ini sesuai dengan jumlah output yang diinginkan untuk input yang diberikan. Dalam masalah regresi, di mana satu nilai keluaran diharapkan, terdapat satu neuron di lapisan keluaran. Namun, dalam tugas klasifikasi, terdapat beberapa kelas keluaran yang mungkin, akan ada banyak neuron, dimana setiap neuron mewakili satu kelas. Misalnya, dalam tugas pengenalan digit tulisan tangan, lapisan keluaran akan memiliki 10 neuron yang sesuai dengan 10 kemungkinan kelas (0-9). Melalui proses training, neural network akan menghasilkan keluaran yang sesuai dengan pola dan hubungan, sehingga hasil prediksi akhir sesuai yang diinginkan sesuai masukan.

•    Hidden Layer (lapisan tersembunyi)
Kadang-kadang, pasangan input dan output dapat memiliki hubungan yang kompleks, dan untuk memecahkan kode hubungan ini, lapisan tersembunyi ada di antara lapisan input dan output. Lapisan tersembunyi juga mengandung neuron; setiap Neuron terhubung ke setiap Neuron lainnya di lapisan yang berdekatan. Misalnya, neuron di lapisan tersembunyi 1 akan terhubung ke setiap Neuron di lapisan input dan lapisan tersembunyi 2. Mengapa tidak menggunakan jaringan yang sangat dalam untuk mempelajari semua hubungan kompleks dalam data? Ada tradeoff antara akurasi dan latensi. Dengan peningkatan jumlah lapisan dan node, kami mungkin mencapai akurasi yang lebih baik, tetapi itu akan menghabiskan lebih banyak perhitungan, lebih banyak daya, dan, pada akhirnya, lebih banyak uang.

3.    Weights (bobot) dan Bias  
Bobot mengacu pada kekuatan dalam koneksi antar neuron dalam neural network. Bobot biasanya diinisialisasi sebagai nilai acak. Namun, selama proses training, bobot ini disesuaikan untuk mengurangi kesalahan yang terjadi dalam jaringan.

Selain bobot, setiap neuron juga memiliki bias. Bias adalah nilai numerik atau konstanta yang ada pada lapisan tersembunyi. Bias umumnya ditambahkan ke setiap input untuk menentukan apakah output melebihi nilai ambang batas. Jika output melebihi nilai ambang batas tersebut, node akan diaktifkan dan mengirimkan informasi ke lapisan luar. Perlu diingat bahwa bobot dan bias adalah parameter pembelajaran model machine learning (ML). Keduanya dimodifikasi dan digunakan untuk training neural network untuk menjalankan tugas-tugas kompleks dengan baik.

4.    Connections (koneksi)
Koneksi antar neuron dalam neural network sangat penting untuk proses learning (pembelajaran). Setiap neuron dalam satu lapisan terhubung dengan setiap neuron di lapisan yang berdekatan. Koneksi ini diwakili oleh nilai bobot, yang menentukan pentingnya koneksi tersebut. Nilai bobot adalah parameter yang dapat dilatih dan dipelajari neural network, dan hal ini dilakukan dengan iterasi pada dataset training. Optimalisasi nilai bobot ini sangat penting untuk keseluruhan kinerja neural network dan merupakan aspek kunci dari proses pembelajaran. Proses pembelajaran yang berhasil tergantung pada bagaimana bobot diperbarui dan diatur selamaiterasi dataset training.

5.    Optimization Algorithm
Mengoptimalkan fungsi biaya dalam machine learning dan neural networks adalah tugas penting karena mencoba semua nilai yang mungkin untuk matriks bobot akan memakan banyak waktu, bahkan dengan penggunaan superkomputer. Untuk membantu proses ini, berbagai algoritme pengoptimalan seperti Gradient Descent, Gradient Descent dengan momentum, Stochastic Gradient Descent, dan Adam (Add a momentum) digunakan. Memahami algoritme pengoptimalan ini adalah topik umum dalam wawancara machine learning. Penting untuk diingat bahwa algoritma pengoptimalan ini hanya diterapkan pada lapisan keluaran karena fungsi biaya ditentukan hanya untuk lapisan ini.

6.    Fungsi Aktivasi
Di dalam otak, neuron diaktifkan berdasarkan sinyal-sinyal yang diterima dari berbagai organ sensorik. Karena sinyal-sinyal ini dapat dikaitkan dengan tugas yang berbeda, neuron yang berbeda akan aktif dan memberikan respons yang diperlukan. Mirip dengan otak manusia, di neural network, kami memiliki fungsi aktivasi untuk Neuron di setiap lapisan. terdapat fungsi aktivasi untuk setiap neuron dalam setiap lapisan. Neuron dari setiap lapisan mendapatkan masukan dari lapisan sebelumnya dikalikan dengan nilai bobot. Berdasarkan hubungan yang antara input bobot dan output yang dihasilkan neuron, fungsi aktivasi dibagi menjadi dua jenis:

•    Fungsi aktivasi linier: fungsi aktivasi ini menghasilkan output yang proporsional dengan inputnya. Fungsi ini memastikan bahwa hubungan antara input bobot dan output yang sesuai dari neuron tersebut adalah linier. Jenis fungsi aktivasi ini biasanya digunakan pada lapisan keluaran neural network. Contohnya adalah fungsi identitas yang memiliki output dan input yang sama.

•    Fungsi aktivasi non-linear: fungsi aktivasi ini adalah fungsi matematika yang mengubah input bobot yang diterima oleh neuron untuk menghasilkan hubungan non-linear antara input dan output. Fungsi-fungsi ini membantu neuron dalam mengekstraksi pola kompleks yang ada dalam data dan sebagian besar digunakan di lapisan tersembunyi. Beberapa fungsi aktivasi non-linier yang populer termasuk Sigmoid, ReLU, dan Softmax.
 

Algoritma Neural Network

Dalam Neural Network, proses training dimulai dengan membagi data menjadi tiga set berbeda:

•    Training dataset: dataset ini memungkinkan neural network untuk memahami bobot antar node.
•    Validation dataset: dataset ini digunakan untuk menyempurnakan kinerja neural network.
•    Test dataset: dataset ini digunakan untuk menentukan akurasi dan margin kesalahan neural network.

Setelah data tersegmentasi menjadi tiga bagian ini, algoritma neural network akan diterapkan untuk melakukan training neural network. Prosedur yang digunakan untuk memfasilitasi proses training neural network dikenal sebagai optimalisasi dan algoritma yang digunakan disebut pengoptimal. Ada berbagai jenis algoritma pengoptimalan, masing-masing dengan karakteristik dan aspek uniknya sendiri seperti persyaratan memori, presisi numerik, dan kecepatan pemrosesan.
 

Cara Kerja Neural Network

Neural network biasanya melibatkan sejumlah besar prosesor yang beroperasi secara paralel dan diatur dalam lapisan. Tingkat pertama atau lapisan masukan menerima informasi input mentah, serupa dengan saraf optik dalam pemrosesan visual manusia. Setiap tingkat berturut-turut menerima keluaran dari tingkat sebelumnya, bukan masukan mentah. Dengan cara yang sama neuron yang lebih jauh dari saraf optik menerima sinyal dari yang lebih dekat. Dalam neural network, ini memungkinkan pemrosesan informasi secara bertahap melalui tingkatan yang lebih tinggi. Kemudian tingkat terakhir menghasilkan output dari sistem berdasarkan pemrosesan informasi yang dilakukan melalui tingkatan sebelumnya.

Setiap node pemrosesan memiliki bidang pengetahuan kecilnya sendiri. Ini mencakup informasi yang telah dilihat dan aturan yang awalnya diprogram atau dikembangkan untuk node tersebut. Setiap tingkatan dalam jaringan saling terhubung, artinya setiap node di tingkat n terhubung dengan banyak node di tingkat n-1 (input) dan tingkat n+1, yang menyediakan data input bagi node tersebut. Neural network tiruan terkenal karena adaptif, yang berarti dapat memperbarui diri mereka sendiri saat belajar dari training awal, kemudian memberikan lebih banyak informasi. Model pembelajaran dasar dalam neural network berfokus pada pembobotan input stream. Artinya, setiap node dalam jaringan memperoleh bobot tertentu untuk setiap input data yang diterima dari pendahulunya. Masukan yang berkontribusi untuk mendapatkan jawaban yang benar berbobot lebih tinggi.
 

Keuntungan Neural Network

1.    Pemrosesaan data secara paralel
Neural network memiliki nilai numerik yang dapat melakukan lebih dari satu tugas dalam waktu bersamaan.

2.    Menyimpan data di seluruh jaringan
Data yang digunakan dalam pemrograman tradisional disimpan di seluruh jaringan, bukan di database. Hilangnya beberapa data di satu tempat tidak menghentikan jaringan untuk bekerja.

3.    Kemampuan bekerja dengan data yang tidak lengkap
Setelah proses training, informasi dapat menghasilkan keluaran bahkan dengan data yang tidak memadai. Berkurangnya kinerja neural network bergantung pada pentingnya data yang hilang.

4.    Memiliki distribusi memori
Agar neural network dapat beradaptasi, perlu adanya contoh yang dapat mendorong jaringan sesuai dengan keluaran yang diinginkan. Keberhasilan jaringan berbanding lurus dengan instance yang dipilih dan jika tidak dapat muncul ke semua aspek jaringan, hal itu dapat menghasilkan keluaran yang salah.

5.    Memiliki toleransi kesalahan
Extorting satu atau lebih sel neural network diperbolehkan untuk menghasilkan output dan fitur ini memberikan toleransi kesalahan jaringan.

Kerugian Neural Network

1.    Jaminan struktur jaringan yang tepat
Tidak ada pedoman khusus untuk menentukan struktur neural network. Struktur jaringan yang sesuai dicapai melalui pengalaman, percobaan, dan kesalahan.

2.    Aktivitas jaringan yang tidak dikenal
Ini merupakan masalah neural network yang paling penting. Ketika neural network menghasilkan solusi pengujian (testing), itu tidak memberikan informasi mengenai mengapa dan bagaimana, sehingga mengurangi kepercayaan pada jaringan.

3.    Ketergantungan pada perangkat keras
Neural network membutuhkan prosesor dengan power pemrosesan paralel, sesuai strukturnya. Oleh karena itu, membutuhkan hardware yang mendukung.

4.    Kesulitan dalam menampilkan masalah ke jaringan
Neural network dapat bekerja dengan data numerik. Masalah harus diubah menjadi nilai numerik sebelum diolah neural network. Mekanisme yang harus diselesaikan akan berdampak langsung pada kinerja jaringan. Itu tergantung pada kemampuan pengguna.

5.    Durasi jaringan tidak diketahui
Jaringan dikurangi untuk menjadi nilai kesalahan tertentu dan nilai ini tidak memberikan hasil yang optimal.
 

Contoh Penerapan Neural Network     

Berikut ini adalah contoh penerapan dari neural network.

1.    Pengenalan Gambar dan Computer Vision
Pengenalan gambar adalah salah satu aplikasi neural network yang paling terkenal. Dalam computer vision, neural network digunakan untuk mengidentifikasi objek, orang, dan adegan dalam gambar dan video. Neural network dapat belajar mengidentifikasi pola dalam gambar dan membuat prediksi tentang apa yang ada dalam gambar. Teknologi ini sudah digunakan di banyak bidang, termasuk pengawasan, kendaraan otonom, dan pencitraan medis.

2.    Pengenalan Ucapan dan Natural Language Processing (NLP)
Selanjutnya ada pengenalan ucapan dan NLP. Dalam pengenalan ucapan, neural network digunakan untuk mentranskripsikan kata-kata yang diucapkan menjadi teks, sedangkan pada NLP, neural network digunakan untuk menganalisis dan memahami makna teks. Teknologi ini digunakan dalam asisten virtual, chatbot, dan aplikasi lain yang memerlukan kemampuan untuk memahami dan merespons ucapan manusia.

3.    Prediksi Keuangan dan Perdagangan
Pada prediksi keuangan dan perdagangan, neural network digunakan untuk membuat prediksi tentang tren pasar dan harga saham. neural network dapat menganalisis sejumlah besar data keuangan dan mengidentifikasi pola dan hubungan yang dapat digunakan untuk membuat keputusan. Teknologi ini digunakan oleh hedge funds, bank, dan lembaga keuangan lainnya untuk meningkatkan strategi investasi mereka dan meminimalkan risiko.

4.    Diagnosis Medis dan Rencana Perawatan
Diagnosis medis dan perencanaan perawatan adalah aplikasi kritis neural network. Dalam diagnosis medis, neural network digunakan untuk menganalisis citra medis dan data pasien untuk mengidentifikasi adanya penyakit dan gangguan. Dalam perencanaan perawatan, neural network digunakan untuk mengatur rencana perawatan yang dipersonalisasi berdasarkan karakteristik individu dan riwayat medis pasien. Teknologi ini membantu meningkatkan akurasi dan efektivitas diagnosis dan perawatan medis, menjadikan layanan kesehatan lebih mudah diakses dan terjangkau bagi semua orang.

5.    Kendaraan Otonom
Kendaraan otonom adalah salah satu aplikasi neural network menarik untuk dibahas. Pada kendaraan otonom, neural network digunakan untuk menganalisis data sensor dan membuat keputusan tentang bagaimana kendaraan harus merespons lingkungan sekitar. Teknologi ini digunakan untuk mengembangkan mobil self-driving, drone, dan kendaraan otonom lainnya yang dapat beroperasi tanpa bantuan dari manusia.

6.    Sistem Rekomendasi
Sistem pemberi rekomendasi adalah aplikasi neural network yang mengubah cara kita berinteraksi dengan teknologi. Dalam sistem pemberi rekomendasi, neural network digunakan untuk menganalisis perilaku pengguna dan membuat rekomendasi tentang produk, layanan, dan konten yang mungkin menarik bagi pengguna. Teknologi ini digunakan oleh situs web e-niaga, layanan streaming, dan platform online lainnya untuk meningkatkan pengalaman pengguna dan meningkatkan keterlibatan.

7.    Natural Language Generation
Natural language generation adalah aplikasi neural network yang relatif baru yang dengan cepat mendapatkan popularitas. Dalam natural language generation, neural network digunakan untuk menghasilkan teks yang dapat meniru tulisan manusia. Teknologi ini digunakan dalam artikel berita, laporan, dan bentuk konten lainnya yang membutuhkan kemampuan untuk menulis dengan gaya yang alami dan menarik.

8.    Deteksi Penipuan
Deteksi penipuan adalah aplikasi penting neural network yang digunakan untuk mencegah kerugian finansial dan melindungi bisnis dan konsumen. Dalam deteksi penipuan, neural network digunakan untuk menganalisis transaksi keuangan dan mengidentifikasi pola yang menunjukkan aktivitas penipuan. Teknologi ini digunakan oleh bank, perusahaan kartu kredit, dan lembaga keuangan lainnya untuk meningkatkan langkah keamanan dan mengurangi risiko penipuan.

9.    Optimalisasi Rantai Pasokan
Optimalisasi rantai pasokan adalah bidang lain di mana neural network digunakan untuk meningkatkan efisiensi dan mengurangi biaya. Dalam pengoptimalan rantai pasokan, neural network digunakan untuk menganalisis data dari berbagai tahap rantai pasokan, mulai dari bahan mentah hingga produk jadi, untuk mengidentifikasi kemacetan dan inefisiensi. Teknologi ini membantu perusahaan untuk merampingkan rantai pasokan mereka, mengurangi pemborosan, dan meningkatkan kinerja mereka secara keseluruhan.

10.    Pemeliharaan prediktif
Pemeliharaan prediktif adalah aplikasi neural network yang sedang berkembang yang digunakan untuk meningkatkan keandalan peralatan dan mengurangi waktu henti. Dalam pemeliharaan prediktif, neural network digunakan untuk menganalisis data dari sensor peralatan untuk mengidentifikasi pola dan anomali yang menunjukkan kapan peralatan kemungkinan akan gagal. Teknologi ini membantu perusahaan mengurangi biaya perawatan, meningkatkan keandalan peralatan, dan meminimalkan waktu henti.
 

Perbedaan Neural Network dan Deep Learning

Deep learning adalah jenis neural network yang canggih. Jaringan deep learning jauh lebih canggih daripada neural network karena memiliki beberapa lapisan. Jika dibandingkan dengan metode deep learning, neural network menyelesaikan aktivitas dengan efisiensi yang lebih rendah. Sistem deep learning memberikan efisiensi dan kinerja luar biasa untuk pelaksanaan tugas. Power supply besar, GPU, dan RAM besar adalah bagian utama dari unit deep learning, sedangkan neurons, connections, propagation functions, learning rate, dan weight adalah bagian utama dari neural network. Karena kompleksnya, deep learning membutuhkan waktu lama untuk dilatih jika dibandingkan dengan periode pelatihan neural network yang relatif singkat. Karena deep learning dan neural networks sangat erat kaitannya satu sama lain, sulit untuk membedakan keduanya di tingkat permukaan. Namun pada titik ini, sudah terlihat bahwa deep learning dan neural networks sangat berbeda satu sama lain. Sementara deep learning berafiliasi dengan transisi dan ekstraksi fitur yang bertujuan untuk membangun hubungan antara rangsangan dan reaksi saraf terkait yang ada di otak, neural networks menggunakan neuron untuk mentransfer data dalam bentuk data input dan data output melalui koneksi.
 

Kesimpulan

Neural network disebut juga dengan jaringan saraf tiruan (JST) atau simulated neural networks (SNNs) adalah bagian dari machine learning dan inti dari algoritma deep learning. Terdapat berbagai jenis neural network seperti Convolutional Neural Networks (CNNs), Recurrent Neural Network (RNNs), dan masih banyak lagi. Dalam menggunakan neural network kita juga harus memahami istilah-istilah yang digunakan, sehingga berhasil dalam menerapkan neural network.

Tags: Neural Network, Pengertian Neural Network, Fungsi Neural Network, Jenis-Jenis Neural Network, Istilah-Istilah dalam Neural Network, Algoritma Neural Network, Cara Kerja Neural Network, Keuntungan dan Kerugian Neural Network, Contoh Penerapan Neural Network