1.) Penjelasan Jaringan Syaraf Tiruan (JST) dan Prinsip Dasarnya
Jaringan Syaraf Tiruan (JST) adalah model komputasi yang terinspirasi oleh cara kerja otak manusia dalam memproses informasi. JST menggunakan kumpulan unit-unit kecil yang disebut neuron (atau simpul) yang saling terhubung untuk memproses data input dan menghasilkan output berdasarkan pola atau hubungan yang dipelajari. JST sering digunakan dalam berbagai aplikasi kecerdasan buatan, seperti pengenalan pola, pengelompokan data, prediksi, dan pengolahan bahasa alami.
Prinsip dasar yang mendasari cara kerja JST:
1. Inspirasi Biologis: JST mencoba meniru fungsi otak biologis, terutama melalui jaringan neuron yang terhubung. Namun, JST adalah model matematis dan tidak sepenuhnya mereplikasi mekanisme otak.
2. Belajar dari Data: JST belajar dengan cara mengubah bobot (weights) antar-neuron berdasarkan data pelatihan menggunakan algoritme tertentu, seperti backpropagation. Proses ini dikenal sebagai training.
3. Pemrosesan Paralel: JST memproses data secara paralel melalui neuron-neuron yang terhubung, memungkinkan model untuk menangani data kompleks secara efisien.
4. Generalisasi: Setelah dilatih, JST dapat menggeneralisasi hasil untuk data baru yang belum pernah dilihat sebelumnya, membuatnya berguna untuk aplikasi prediktif.
5. Aktivasi Nonlinear: JST menggunakan fungsi aktivasi non-linear (seperti ReLU, sigmoid, atau tanh) untuk menangani hubungan yang kompleks antara input dan output.
2.) Komponen Dasar Jaringan Syaraf Tiruan
1. Neuron (Unit Pemroses)
ΓÇó Neuron adalah unit dasar dalam JST yang bertugas memproses data.
ΓÇó Setiap neuron menerima masukan dari neuron lain (atau dari data input), mengalikannya dengan bobot (weights), menambahkan bias, dan menerapkan fungsi aktivasi untuk menghasilkan output.
ΓÇó Fungsi output neuron adalah:
di mana:
ΓÇó x_i: input
ΓÇó w_i: bobot
ΓÇó b: bias
ΓÇó f: fungsi aktivasi (misalnya, ReLU, sigmoid).
2. Lapisan Input
ΓÇó Lapisan pertama yang menerima data mentah.
ΓÇó Setiap neuron dalam lapisan input merepresentasikan satu fitur dari data masukan.
3. Lapisan Tersembunyi (Hidden Layer)
ΓÇó Lapisan ini terletak di antara lapisan input dan output.
ΓÇó Tugasnya adalah mengekstraksi fitur-fitur kompleks dan menemukan pola dalam data.
ΓÇó Jumlah lapisan tersembunyi dan jumlah neuron per lapisan dapat bervariasi tergantung pada kompleksitas masalah.
ΓÇó Fungsi aktivasi diterapkan di lapisan ini untuk menangani hubungan non-linear.
4. Lapisan Output
ΓÇó Lapisan terakhir yang menghasilkan hasil akhir dari JST.
ΓÇó Jumlah neuron di lapisan output sesuai dengan jumlah kelas (dalam klasifikasi) atau jumlah nilai yang diprediksi (dalam regresi).
Sumber Referensi:
1. Ian Goodfellow, Yoshua Bengio, dan Aaron Courville, Deep Learning. MIT Press, 2016.
2. Michael Nielsen, Neural Networks and Deep Learning. Online Book.
3. Geoffrey Hinton, Lecture Notes on Neural Networks, University of Toronto.
4. Website TensorFlow dan PyTorch.