1. Jaringan Syaraf Tiruan (JST) atau artificial neural network (ANN) adalah sistem komputasi yang dirancang untuk meniru cara kerja jaringan saraf biologis dalam otak manusia. JST digunakan untuk memproses informasi dengan cara memodelkan hubungan non-linear yang kompleks antara input dan output. Sistem ini banyak diaplikasikan dalam berbagai bidang, seperti pengenalan pola, klasifikasi, prediksi, dan pengolahan data yang tidak terstruktur.
Prinsip Dasar Cara Kerja Jaringan Syaraf Tiruan
Pemodelan Neuron Buatan:
JST terdiri dari neuron-neuron buatan yang berfungsi seperti neuron biologis. Setiap neuron menerima sinyal dari neuron lain atau input eksternal, memprosesnya menggunakan fungsi aktivasi, lalu mengirimkan sinyal ke neuron berikutnya.
Struktur Berlapis:
JST biasanya terdiri dari beberapa lapisan:
Lapisan Input: Menerima data awal.
Lapisan Tersembunyi (Hidden Layer): Melakukan pemrosesan utama untuk menemukan pola.
Lapisan Output: Menghasilkan hasil akhir seperti prediksi atau klasifikasi.
Penyesuaian Bobot:
Sinyal yang mengalir di jaringan memiliki kekuatan tertentu yang diatur oleh bobot. Selama proses pelatihan, bobot-bobot ini disesuaikan untuk mengoptimalkan output jaringan.
Pembelajaran Berbasis Kesalahan:
JST belajar dengan membandingkan hasil prediksi dengan output yang diharapkan. Perbedaan antara keduanya disebut "error". Algoritma pembelajaran, seperti backpropagation, digunakan untuk meminimalkan error tersebut dengan memperbarui bobot-bobot jaringan.
Fungsi Aktivasi:
Fungsi ini menentukan apakah suatu neuron harus "diaktifkan" berdasarkan nilai input. Contohnya adalah fungsi sigmoid, ReLU (Rectified Linear Unit), dan tanh.
sumber : Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Prentice Hall.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533ΓÇô536.
2. Komponen Dasar yang Membentuk Jaringan Syaraf Tiruan (JST)
Neuron (Node):
Neuron adalah unit pemrosesan dasar dalam JST yang meniru fungsi neuron biologis. Setiap neuron menerima sinyal input, menjumlahkannya dengan bobot tertentu, dan memprosesnya menggunakan fungsi aktivasi untuk menghasilkan output. Output ini diteruskan ke neuron lain atau lapisan berikutnya. Neuron memiliki tiga komponen utama:
Input: Data atau sinyal yang diterima.
Bobot (Weight): Nilai numerik yang menentukan pentingnya setiap input.
Fungsi Aktivasi: Fungsi matematika yang menentukan apakah neuron akan diaktifkan, seperti sigmoid, ReLU, atau tanh.
Lapisan Input (Input Layer):
Lapisan input adalah lapisan pertama dalam JST yang menerima data dari lingkungan eksternal. Setiap neuron di lapisan ini mewakili fitur input dari data yang diberikan. Lapisan ini tidak melakukan perhitungan, melainkan hanya meneruskan data ke lapisan berikutnya.
Lapisan Tersembunyi (Hidden Layer):
Lapisan tersembunyi adalah lapisan di antara lapisan input dan lapisan output. Lapisan ini bertanggung jawab untuk melakukan pemrosesan dan abstraksi data, menemukan pola atau hubungan kompleks di antara fitur input. Semakin banyak lapisan tersembunyi (deep learning), semakin kompleks pola yang dapat ditangkap oleh jaringan.
Lapisan Output (Output Layer):
Lapisan output menghasilkan hasil akhir dari jaringan, seperti prediksi, klasifikasi, atau hasil regresi. Jumlah neuron di lapisan output bergantung pada jenis masalah, misalnya:
Untuk klasifikasi biner: 1 neuron dengan fungsi aktivasi sigmoid.
Untuk klasifikasi multi-kelas: Banyak neuron dengan fungsi aktivasi softmax.
Koneksi Antar Neuron (Weights dan Biases):
Bobot (Weights): Mengontrol kontribusi sinyal antar neuron.
Bias: Nilai tambahan yang membantu jaringan menyesuaikan hasilnya untuk meningkatkan akurasi.
Fungsi Aktivasi:
Fungsi matematika yang menentukan output dari neuron berdasarkan input total. Fungsi ini memungkinkan jaringan menangkap hubungan non-linear.
sumber : Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Prentice Hall.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323