FKMTF Indonesia

Artificial Neural Network

Jika beberapa artikel sebelumnya telah membahas elemen-elemen dari machine learning (ML) seperti logika fuzzy ataupun sensor fusion, kali ini kita akan membahas tentang salah satu dari bentuk ML itu sendiri, yaitu Artificial Neural Network (ANN).

Mengartikan dari namanya, artificial neural network merupakan jaringan saraf tiruan. Hal ini benar adanya, namun tidak secara harfiah – sistem ini tidak memiliki bentuk fisik seperti neuron-neuron beserta dendritnya, melainkan terinspirasi dari cara kerja sistem otak dan saraf manusia, dan merupakan usaha untuk mengimitasinya dengan serangkaian silikon dan perkabelan.

Mengingat-ingat kembali pelajaran biologi ketika SMA, sistem saraf manusia terdiri dari 80 jutaan neuron, sel saraf, yang saling terhubung dengan akson dan dendrit. Akson merupakan bagian sel saraf yang menransfer dan memroses informasi berbentuk impuls elektrik, dan denrit merupakan bagian sel saraf yang menerima informasi seperti stimulus dari organ. Sama halnya, ANN terdiri dari nodes atau layers yang saling terhubung dan masing-masing memproses informasi dan melanjutkannya ke layer lain hingga akhirnya dihasilkan suatu output.

ANN terdiri dari layers keluaran (output) serta masukkan (input), dan layers tersembunyi yang memroses masukan dari layer masukan menjadi sesuatu yang dapat diterima layer keluaran. Hasil dari masing-masing layer tersembunyi ini disebut activation atau node value.

 

Hubungan antara masing-masing layer tersebut memiliki  “beban” tersendiri. Secara umum, dapat dikatakan bahwa sistem ANN ini merupakan sistem untuk melacak pola data, yang dapat belajar terus menerus, dan disebut sebagai teknik Back Propagation. Pembelajaran ini dilakukan dengan mengubah-ubah nilai “beban” – sebuah bilangan bulat  pengontrol masukan- dari masing-masing hubungan antar layer tersebut. Dalam proses pembelajarannya atau ketika training, biasanya digunakan  3 kelompok data settraining data set, untuk jaringan menentukan nilai pembebanan dari hubungan antar layer; validation data set, untuk memastikan data telah ter-tune dengan baik; test data set, sekumpulan data baru untuk menguji apabila jaringan dapat menghasilkan keluaran sesuai yang diharapkan.

Dalam segi topologi sistem, terdapat dua jenis sistem ANN, yaitu FeedForward (kiri pada gambar) dan Feedback (kanan pada gambar). Pada sistem FeedForward, alur data hanya satu arah, dan tidak terdapat putaran feedback. Umumnya tipe ini digunakan untuk mengkalsifikasikan/menghasilkan pola data. Sementara, pada tipe Feedback, alur data nya multi direksional, dan terdapat putaran feedback. Tipe ini memiliki kemampuan pemebelajaran yang lebih baik, dan biasanya digunakan untuk mempelajari hal kompleks, seperti mengidentifikasi suara, ataupun mengidentifikasi bahasa.

 

Kembali membahas proses pembelajarannya, terdapat tiga strategi pembelajaran untuk ANN: supervised learning, dilakukan ketika terdapat seorang “guru” yang mengetahui hasil dari data set yang diberikan; unsupervised learning, ketika tidak ada contoh data set yang hasilnya diketahui, sehingga hanya pembelajaran hanya berdasarkan data yang dimiliki; reinforced leaning,  dalam strategi ini, pembelajaran didasarkan atas obesevasi lingkungan yang dilakukan oleh ANN, jika hasil observasinya negatif, maka sistem akan mengubah nilai beban hingga sesuai.

Sebenarnya, konsep ANN sudah ada dari tahun 1940an, namun baru marak digunakan dalam elemen aplikasi dari artificial intelligence beberapa dekade terakhir, dikarenakan baru ditemukannya teknik Back Propagation. Dalam aplikasinya, pengumpamaan sederhana dari ANN dalam image recognition adalah sebagai berikut: input layer pertama mendapatkan masukan sebuah gambar, lalu hidden layer pertama mengidentifikasi tingkat kecerahan gambar, hidden layer kedua mengidentifikasi sudut dan garis, hidden layer ketiga mengidentifikasi tekstur dan bentuk, dan pada hidden layers selanjutnya sistem dapat mengindentifikasi fitur-fitur kompleks seperti adanya mata, hidung, yang umum ditemukan dalam gambar. Kemudian, peneliti yang melakukan training sistem ini akan melabel output dan melakukan teknik Back Propagation  untuk mengoreksi kesalahan yang terjadi. Setelah beberapa saat, sistem akan belajar untuk dapat mengklasifikasikan data tersebut tanpa bantuan manusia sama sekali. Hal ini yang menyebabkan ANN kini merupakan hal yang sangat fundamental dalam pengembangan artificial intelligence.

 

Referensi

  1. “Artificial Intelligence – Neural Network” diakses pada 9 April 2019 pukul 12.20
  2. “What is an artificial neural network? Here’s everything you need to know” diakses pada 9 April 2019 pukul 12.35
  3. “A Beginner’s Guide to Neural Network and Deep Learning” diakses pada 9 April 2019 pukul 13.10
  4. DARPA Neural Network Study (October, 1987-February, 1989). MIT Lincoln Lab.

Add comment