Neural Network (Bentuk Arsitektur, Proses Learning)

Neural network atau jaringan saraf secara sederhana bahwa neural network bisa mempelajari pemetaan masukan data ke keluaran data. Neural network adalah model komputasi yang terinspirasi pada prinsip-prinsip bagaimana cara otak pada manusia bekerja. Pada umumnya neural network digunakan untuk mengatasi masalah-masalah seperti klasifikasi, prediksi, pengenalan pola, pendekatan dan asosiasi. Neural network hanya perlu belajar dari beberapa data sampel atau dataset, dan kemudian setelah dipelajari maka dapat bekerja dengan input data yang diketahui ataupun input data yang samar atau tidak lengkap.

Sumber : Pixabay

Secara umum Neural Network (NN) merupakan jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini adalah sistem adaptif yang dapat merubah strukturnya dalam memecahkan masalah terganung pada informasi internal maupun eksternal yang melalui jaringan tersebut.

NN adalah sebuah metode pemodelan data statistik non-linier. NN dapat digunakan dalam memodelkan hubungan yang kompeks antara input dan output sehigga dapat menemukan pola-pola atau pattern pada data. Pada dasarnya, sistem pembelajaran adalah proses penambahan pengetahuan pada Neural Network yang bersifat koninuitas atau berkelanjutan sehingga pada saat digunakan pengetahuan tersebut akan dieksploitasi secara maksimal dalam mengenali sebuah objek. Neuron merupakan bagian dasar dari suatu pemrosesan Neural Network.

Bentuk Struktur Neural Network

Neural network terdiri dari unit pemrosesan dasar yang saling berhubungan, yang biasa disebut dengan Neuron. Nework belajar dengan memodifikasi bobot pada hubungan antara neuron selama proses training.

Arsitektur Dasar Neural Network

Pada umumnya, terdapat tiga jenis dari neural network berdasarkan jenis jaringannya, diantaranya :

• Single Layer Neural Network
• Multilayer Perceptron Neural Network
• Recurrent Neural Network

Single-Layer Neural Network

Single-Layer Neural Network ini mempunyai koneksi pada masukannya secara langsung ke jaringan output. Jenis ini sanga terbatas dan hanya dipergunakan pada kasus-kasus yang cukup sederhana atau kecil.

Single Layer Neural Network

Multilayer Perceptron Neural Network

Multilayer Perceptron Neural Network mempunyai layer atau lapisan yang sering disebut dengan hidden, dan letak posisinya berada di tengah layer input dan output. Hidden ini sifatnya variable dan dapat dipergunakan lebih dari satu hidden layer.

Multilayer Perceptron Neural Network

Pada gambar diatas memperlihakan sebuah jaringan saraf sederhana yang dibangun dengan easyNeurons. Jenis neural network ini disebut multi layer Perceptron dan merupakan jaringan saraf yang paling umum digunakan.

Recurrent Neural Network

Jenis Recurrent Neural Network ini mempunyai ciri khas yakni adanya koneksi umpan balik dari output ke input sehingga waktu tunggu cukup lama dibanding yang lain karena akibat dari proses umpan balik dari output ke input.

Recurrent Neural Network

Proses Pembelajaran pada Neural Network

Proses pembelajaran adalah suatu metoda dalam proses pengenalan suatu objek yang bersifat kontinuitas yang selalu direspon secara berbeda dari setiap proses pembelajaran terebut. Tujuan utama dari proses learning ini adalah untuk memperkecil tingkat kesalahan aau error dalam mengenal suatu objek. Pada dasarnya, neural network mempunyai sistem pembelajran yang terdiri dari beberapa jenis diantaranya sebagai berikut :

• Supervised Learning
• Unsupervised Learning

Supervised Learning

Sistem pembelajaran pada metoda Supervised leaning merupakan suatu sistem yang mana setiap pengetahuan yang akan diberikan kepada sistem, pada awalnya akan diberikan suatu acuan atau aturan dalam memetakan suatu inpuan menjadi output yang diharapkan. Proses learning ini akan terus diakukan selama sebuah kondisi kesalahan atau error dan kondisi yang diharapkan belum tercapai. Setiap perolehan error akan dikalkulasikan pada setiap pemrosesan hingga data atau nilai yang diharapkan telah dicapai.

Unsupervised Learning

Sistem pembelajaran ini akan memberikan sepenuhnya pada hasil komputasi dari setiap pemrosesan, sehingga pada sistem ini tidak diperlukan adanya acuan awal agar perolehan nilai dapat tercapai. Meskipun pada dasarnya, proses ini masih tetap mengkalkulasikan setiap tahap pada setiap kesalahannya dengan mengkalkulasikan setiap nilai bobot yang didapatkan.

Jaringan syaraf atau neural network ini sering dipergunakan dalam berbagai bidang dan keperluan seperti pengenalan citra (image recognition) seperti pengenalan wajah, kendaraan, hewan ataupun objek lainnya. Pengenalan sidik jari, prediksi saham atau taruhan, data mining, kontrol karakter game oleh komputer dan lain sebagainya.

Referensi
Dennis Aprilla Data Mining dengan Rapid Miner