Neural Network: Cikal Bakal Revolusi Deep Learning

Dalam beberapa tahun terakhir, dunia kecerdasan buatan telah mengalami revolusi besar yang dikenal sebagai deep learning. Namun, sebelum deep learning mencapai puncaknya seperti sekarang, ada teknologi mendasar yang menjadi cikal bakalnya: neural network. Ingin tahu lebih jauh tentang apa itu neural network? Stay tuned, ya!

Halo dunsanak kasadonyo, baa kaba sanak kini? Mudah-mudahan sanak salalu sehat dan bahagia! Basuo baliak jo ambo, Angel, untuak mambahas hal-hal nan takaik jo machine learning dan kawan-kawannyo. 🥰

Hayo, siapa yang tahu bahasa daerah yang dipakai dalam paragraf tersebut? 🤔 Petunjuknya adalah kota yang terkenal dengan rendang sebagai makanan khasnya! 🤤

💻 Mulai Belajar Pemrograman

Belajar pemrograman di Dicoding Academy dan mulai perjalanan Anda sebagai developer profesional.

Daftar Sekarang

Hmm, sebelum kita membahas hal baru lagi, aku penasaran, nih, saat ini kamu lagi senang belajar tentang apa? Kalau kamu sedang mendalami machine learning atau deep learning, aku rasa artikel ini pasti cocok banget untukmu! So, ikuti sampai akhir dan jangan kemana-mana, ya! Siapa tahu, apa yang kita bahas kali ini adalah jawaban dari pertanyaan yang selama ini kamu cari! 😀

Sebelum kita berjalan lebih jauh, sudahkah kamu membaca blog kami tentang deep learning? Di sana, aku udah membahas secara menyeluruh tentang definisi, konsep, arsitektur, dan berbagai contoh penggunaannya.

Dalam blog tersebut, kita juga sering bertemu dengan kata “neural network”, tetapi sayangnya belum membahas hal tersebut secara mendalam. Jadi, jika kamu belum baca, jangan lupa untuk membaca blog tersebut agar bisa memahami tujuan kita membahas neural network di sini, ya!

Apa Itu Neural Network?

Pertama-tama, mari kita kilas balik lagi! Kamu masih ingat gambar ini, kan?

Dari gambar di atas, kita bisa lihat bahwa deep learning adalah bagian dari neural network yang berfungsi sebagai dasar untuk deep learning. Neural network terdiri dari neuron-neuron yang saling terhubung dalam beberapa lapisan, sedangkan deep learning melibatkan penggunaan neural network yang lebih dalam dan kompleks untuk mengatasi masalah yang lebih rumit.

Ibaratkan, nih, tak ada asap tanpa api; tak ada deep learning tanpa neural network.

Neural network atau jaringan saraf tiruan adalah model matematis yang terinspirasi dari cara kerja otak manusia. Neural network dirancang untuk meniru cara otak manusia memproses informasi, menggunakan unit-unit sederhana yang disebut neuron.

Neuron adalah unit dasar dalam jaringan saraf tiruan (neural network) yang bertugas untuk memproses informasi. Neuron bekerja dengan menerima sinyal atau data, melakukan perhitungan, dan menghasilkan output yang digunakan untuk membuat keputusan atau prediksi.

Jaringan ini terdiri dari beberapa lapisan neuron yang saling terhubung dan informasi mengalir melalui lapisan-lapisan ini untuk menyelesaikan tugas, seperti mengenali pola, mengklasifikasikan data, atau membuat prediksi berdasarkan data yang diberikan.

Jaringan saraf ini terdiri dari tiga tipe utama lapisan: input layer (lapisan input), hidden layer (lapisan tersembunyi), dan output layer (lapisan output). Input layer menerima data awal, hidden layer memproses data tersebut melalui berbagai neuron, dan output layer menghasilkan hasil akhir berdasarkan pemrosesan yang dilakukan oleh lapisan-lapisan sebelumnya. Setiap neuron dalam jaringan saraf ini berfungsi untuk menghitung nilai berdasarkan bobot yang diberikan dan kemudian meneruskan hasilnya ke neuron lain dalam jaringan.

Neuron Biologis vs. Neuron Buatan

Neuron biologis adalah sel saraf di tubuh kita yang berfungsi untuk berkomunikasi dan memproses informasi. Neuron ini memiliki bagian-bagian penting, seperti dendrit, yang menerima sinyal dari neuron lain; nukleus atau soma, yang mengumpulkan sinyal; akson, yang mengirimkan sinyal ke neuron atau otot lain; dan terminal akson, yang menyebarkan sinyal. Fungsi utamanya adalah memungkinkan kita untuk berpikir, bergerak, dan merasakan.

Di sisi lain, neuron buatan adalah elemen dalam model komputer yang terinspirasi dari cara kerja neuron biologis. Neuron buatan menerima data input yang telah diberi bobot, ditambah dengan nilai bias. Data yang sudah diproses ini kemudian diproses melalui fungsi aktivasi untuk menghasilkan output. Neuron buatan digunakan dalam teknologi machine learning dan deep learning untuk tugas-tugas seperti mengenali gambar, mengklasifikasikan teks, atau membuat prediksi.

Wow! Menarik sekali untuk menyadari betapa miripnya struktur neuron biologis dan neuron buatan. Keterkaitan ini menunjukkan betapa alam memberikan kita pelajaran berharga dan penciptaan manusia yang luar biasa dapat mereplikasi keajaiban tersebut dalam teknologi modern. Keren sekali, bukan?

Neural Network Sederhana: Single Perceptron

Neural network yang paling sederhana atau dasar adalah unit perceptron tunggal, dikenal sebagai single perceptron. Meskipun sederhana, perceptron ini memainkan peran penting dalam memahami cara kerja neural network.

Perceptron adalah komponen dasar pembangun neural network. Frank Rosenblatt dari Cornell Aeronautical Library adalah ilmuwan yang pertama kali menemukan perceptron pada tahun 1957. Perceptron terinspirasi dari neuron pada jaringan saraf dalam otak manusia. Dalam jaringan saraf tiruan, perceptron dan neuron merujuk pada hal yang sama.

Setiap perceptron terdiri dari beberapa komponen yang masing-masing memiliki fungsi tersendiri, yaitu berikut.

Input
Perceptron menerima satu atau lebih nilai input. Setiap nilai input mewakili informasi yang ingin diproses oleh perceptron.

Weight (w) atau Bobot
Setiap input dikalikan dengan bobot yang sesuai. Bobot ini adalah angka yang menunjukkan seberapa besar pengaruh setiap input terhadap hasil akhir. Misalnya, jika input adalah data dari fitur tertentu dalam sebuah dataset, bobot akan menentukan seberapa penting fitur tersebut pada proses perhitungan.

Bias
Bias adalah nilai tambahan yang ditambahkan ke hasil perhitungan input yang telah dikalikan dengan bobot. Bias membantu perceptron dalam menyesuaikan hasil akhir dan membuat model lebih fleksibel. Bias bertindak sebagai pengatur agar model dapat melakukan prediksi yang lebih baik.

Net Input atau Linear Function (z)
Hasil dari mengalikan setiap input dengan bobotnya, kemudian menjumlahkan semua hasil tersebut dan menambahkan bias, disebut sebagai net input. Formulasinya adalah sebagai berikut.

Fungsi Aktivasi (f)
Setelah mendapatkan net input 𝑧, nilai ini diproses melalui fungsi aktivasi. Fungsi aktivasi adalah sebuah formula yang menentukan bahwa net input diubah menjadi output perceptron. Fungsi ini berfungsi untuk menambahkan non-linearitas pada model dan membantu jaringan saraf dalam memproses pola-pola yang lebih kompleks. Fungsi aktivasi yang umum digunakan adalah step function untuk klasifikasi biner atau fungsi sigmoid dan ReLU (Rectified Linear Unit) untuk aplikasi lain.

Output (y)
Output 𝑦 adalah hasil akhir dari perceptron setelah melalui fungsi aktivasi. Output ini menunjukkan hasil dari proses perhitungan dan prediksi yang dilakukan oleh perceptron. Misalnya, dalam tugas klasifikasi, output ini bisa berupa label yang menunjukkan kategori data.

Matematika Di Balik Single Perceptron

Dalam mempelajari single perceptron, penting untuk memahami rumus matematis yang mendasarinya. Pertama-tama, kita menghitung net input 𝑧, yang merupakan hasil penjumlahan dari setiap nilai input yang telah dikalikan dengan bobotnya masing-masing, ditambah dengan bias.

Rumusnya berikut.

Di sini, 𝑤𝑖 adalah bobot yang menunjukkan seberapa penting input ke-i, 𝑥𝑖 adalah nilai input ke-i, dan 𝑏 adalah bias yang membantu menyesuaikan hasil akhir. Jumlah dari semua kontribusi input dan bias ini memberikan kita nilai net input 𝑧.

Setelah menghitung 𝑧, kita menerapkan fungsi aktivasi 𝑓(𝑧) untuk mendapatkan output 𝑦. Fungsi aktivasi ini berfungsi untuk mengubah nilai net input menjadi output yang dapat digunakan untuk keputusan atau prediksi. Dengan demikian, rumus output perceptron adalah berikut.

Jadi, output 𝑦 dari single perceptron diperoleh dengan terlebih dahulu menghitung net input 𝑧 menggunakan rumus di atas, lalu menerapkan fungsi aktivasi pada nilai 𝑧.

Proses Kerja Perceptron

Pertama, perceptron menerima input berupa angka-angka dari data yang ingin diproses. Setiap angka ini memiliki bobot yang menunjukkan seberapa penting angka tersebut untuk keputusan akhir. Bobot adalah bagian yang akan dipelajari selama pelatihan perceptron untuk menentukan kontribusi masing-masing input.

Selanjutnya, perceptron menjumlahkan input yang sudah dikalikan dengan bobotnya masing-masing. Proses ini juga melibatkan penambahan nilai bias, yang berfungsi sebagai angka tambahan untuk menyesuaikan hasil akhir. Bias membantu menggeser kurva fungsi aktivasi sehingga lebih fleksibel dalam mengurangi kesalahan. Hasil penjumlahan ini sering disebut sebagai weighted sum.

Setelah itu, perceptron menggunakan fungsi aktivasi pada weighted sum. Fungsi aktivasi ini mengubah hasil penjumlahan menjadi nilai akhir yang lebih berguna, seperti angka dalam rentang (0, 1) atau (-1, 1). Fungsi ini memungkinkan perceptron untuk menyesuaikan dan mengatasi pola data yang tidak linier.

Akhirnya, output yang dihasilkan adalah hasil akhir dari perhitungan perceptron, berupa bilangan numerik yang merupakan keputusan atau prediksi berdasarkan input yang diberikan.

Neural Network, ***Artificial Neural Network, dan Deep Learning***

Di awal pembahasan, kita sempat menyebutkan bahwa neural network (NN) adalah cikal bakal dari artificial neural network (ANN) dan deep learning. Namun, untuk memahami lebih dalam, penting untuk mengetahui perbedaan antara ketiganya.

A. Neural Network

Neural network adalah istilah umum yang merujuk pada model-model yang terinspirasi dari cara kerja otak manusia dalam memproses informasi. Jaringan saraf ini bisa terdiri dari berbagai jenis dan kompleksitas, mulai dari yang sangat sederhana hingga kompleks.

Konsep dasar dari neural network melibatkan unit-unit pemrosesan yang saling terhubung, mirip dengan neuron-neuron dalam otak manusia. Single perceptron adalah contoh paling sederhana dari neural network. Ini adalah model dengan satu lapisan neuron yang melakukan tugas klasifikasi sederhana.

B. Artificial Neural Network

Artificial neural network (ANN) adalah implementasi spesifik dari konsep neural network dalam bentuk yang digunakan di dunia komputer dan kecerdasan buatan. ANN terdiri dari unit-unit dasar yang disebut neuron buatan, yang diorganisasi dalam lapisan-lapisan. Setiap neuron menerima input, memprosesnya, dan menghasilkan output. ANN digunakan untuk berbagai aplikasi, seperti pengenalan pola, klasifikasi, dan regresi.

Karakteristik Utama:

Lapisan Input: Menerima data awal.
Lapisan Tersembunyi (Hidden Layers): Memproses data melalui neuron-neuron.
Lapisan Output: Menghasilkan hasil akhir dari pemrosesan.

Biasanya, ANN hanya terdiri dari 1 hingga 3 hidden layers dan ini sering kali cukup untuk menyelesaikan berbagai tugas pemrosesan data dan klasifikasi.C.

C. Deep Learning

Deep learning adalah subkategori dari machine learning yang menggunakan struktur ANN yang sangat dalam, dikenal sebagai deep neural networks. Deep learning melibatkan jaringan saraf dengan banyak lapisan tersembunyi, yang memungkinkan model untuk belajar dan mengenali pola yang sangat kompleks dan abstrak dari data.

Karakteristik Utama:

Lapisan yang Banyak: Deep learning menggunakan jaringan dengan banyak hidden layers, sering kali lebih dari 10 lapisan, yang membentuk deep neural network.
Kemampuan Ekstraksi Fitur: Dengan banyak lapisan, model deep learning dapat mengekstrak fitur yang lebih kompleks dan abstrak dari data.
Aplikasi: Digunakan dalam aplikasi canggih, seperti pengenalan wajah, penerjemahan bahasa otomatis, dan deteksi objek dalam gambar.

Aplikasi dan Implementasi Neural Network

Neural network, yang merupakan dasar dari deep learning, memiliki beragam aplikasi yang sangat bermanfaat dalam berbagai bidang teknologi. Berikut adalah beberapa contoh aplikasi utamanya.

Pengenalan Gambar: Neural network digunakan untuk mengidentifikasi dan mengklasifikasikan objek dalam gambar. Misalnya, sistem pengenalan wajah pada smartphone atau aplikasi yang mengidentifikasi jenis bunga dari foto.
Klasifikasi Teks: Teknologi ini mampu mengklasifikasikan teks dalam kategori tertentu. Contohnya termasuk analisis sentimen dalam ulasan produk atau penyaringan email spam.
Prediksi: Neural network dapat memprediksi tren atau nilai di masa depan berdasarkan data yang ada. Ini sering digunakan dalam analisis pasar saham, perkiraan cuaca, dan peramalan permintaan produk.
Pengolahan Bahasa Alami atau Natural Language Processing (NLP): Ini termasuk penerjemahan bahasa otomatis, chatbot yang bisa berkomunikasi dengan pengguna, dan sistem rekomendasi konten.
Deteksi Anomali: Dalam keamanan siber, neural network dapat mendeteksi perilaku yang mencurigakan atau anomali yang mungkin menunjukkan serangan atau pelanggaran data.

Penutup

Yeayy! Sekarang kita telah menyelami topik-topik penting seputar neural network, ANN, dan deep learning. Dengan pemahaman ini, kamu pasti sudah semakin jelas mengenai perbedaan antara ketiganya, serta cara mereka berperan dalam dunia kecerdasan buatan.

Jangan lupa juga untuk selalu mengingat konsep machine learning, baik itu supervised learning maupun unsupervised learning karena keduanya adalah fondasi penting dalam membangun model yang efektif. Kabar baiknya, materi mendalam mengenai implementasi deep learning bisa kamu temukan di kelas Belajar Pengembangan Machine Learning, lo! Kelas ini dirancang untuk memberikan pemahaman menyeluruh dan hands-on yang akan membantu kamu menguasai konsep-konsep tersebut.

Kami sangat menantikan kehadiran kamu di kelas dan siap untuk menerima masukan serta ide-ide yang akan melengkapi materi di Dicoding. Ayo, enroll sekarang dan tingkatkan keahlianmu di dunia machine learning! 🌟

Ah, mari kita tutup artikel ini dengan pantun dari Kota Bengkuang lagi! 😂 🌪️

Banyaklah kayu di dalam rimbo
Ado nan ketek ado nan gadang
Sekian dulu nan dari ambo
Beko dilanjuikan dek materi nan ka datang

Terjemahan:
Banyak kayu di dalam hutan
Ada yang kecil ada yang besar
Sekian dulu yang dari saya
Nanti dilanjutkan pada materi yang akan datang

See you there!
With 💙💙💙 from the Dicoding team …