See discussions, stats, and author profiles for this publication at: [Link]
net/publication/365581579
Neural Network
Article in Artificial Intelligence · November 2022
CITATIONS READS
0 621
1 author:
Ataline Jeanethe Maya Hukubun
Universitas Negeri Manado
4 PUBLICATIONS 0 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Kecerdasan Buatan View project
All content following this page was uploaded by Ataline Jeanethe Maya Hukubun on 19 November 2022.
The user has requested enhancement of the downloaded file.
Neural Network
Ataline Jeanethe Maya Hukubun
Jurusan Pendidikan Teknologi Informasi dan Komunikasi
Universitas Negeri Manado
Manado, Indonesia
19208014@[Link]
Abstrak ─ Memahami fungsi yang pada manusia yang memungkinkan
dipelajari dari neural network sangat komputer untuk memperoleh pengetahuan
penting dalam banyak domain. Misalnya di manusia dalam memecahkan suatu
berbagai bidang seperti robotica, sistem masalah, seperti : sistem mendeteksi sidik
pakar, analisis finansial, transportasi, jari, pemrosesan sinyal, ucapan, dan lain-
medical diagnosis, engineering, penelitian lain.
ilmiah dan juga game. Neural network bisa
digunakan untuk mendeteksi sidik jari, Ilmu kecerdasan buatan adalah
pemrosesan sinyal, pengenalan karakter, bidang ilmu komputer yang meniru
pengenalan gambar, pengenalan tulisan perilaku manusia dalam memecahkan
tangan, pengenalan ucapan dan pemrosesan masalah, yang belajar dari basis data dan
bahasa alami. Neural network merupakan dikumpulkan sebelumnya dengan aturan
tiruan buatan dari otak manusia dengan dan operasi matematika. Penerapan neural
teknik pemodelan yang sangat canggih dan network telah berkembang secara
dapat memodelkan fungsi yang sangat eksponensial dalam beberapa tahun
kompleks. Oleh karena itu, di era terakhir. Teknik pengendalian berbasis AI
perkembangan digital saat ini jaringan saraf sudah sangat populer sejak awal tahun 90-
(Neural Network) memiliki peran yang an. Biasanya, teknik ini tidak memerlukan
sangat penting dalam bidang kecerdasan model apa pun untuk dirancang. Namun,
buatan. sangat sedikit aplikasi industri yang
menggunakannya.
Kata Kunci ─ Backpropagation;
kecerdasan buatan; neural network Baru-baru ini telah terjadi
peningkatan penggunaan jaringan saraf
(Neural Network) tiruan karena
I. PENDAHULUAN kemampuan belajar yang kuat, kemampuan
optimasi dan adaptasi. Dalam suatu sistem
Selama bertahun-tahun, manusia kecerdasan buatan yang telah dibuat suatu
telah mencoba membangun sistem mesin prediksi tidak dapat dipastikan tepat
cerdas yang mensimulasikan otak manusia sepenuhnya, tetapi memungkinkan untuk
dalam memecahkan masalah. Sejarah memberikan hasil yang mendekati dengan
neural network dimulai dengan upaya kejadian sebenarnya. Hal ini menunjukkan
Marvin Minsky pada penelitian kecerdasan bahwa dengan menggunakan jaringan
buatan dalam memecahkan fungsi OR syaraf (Neural Network) tiruan solusi yang
(XOR) eksklusif yang menjadi dasar untuk didapat lebih cepat, dapat diterima dan
memecahkan masalah rumit dengan ukuran tidak memiliki kesalahan.
data yang lebih besar bersamaan dengan
perkembangan pemrosesan komputasi dan Jadi, dalam era perkembangan
unit penyimpanan. Struktur dari neural digital saat ini neural network memainkan
network menyerupai struktur otak biologis peran yang sangat penting. Neural network
adalah paradigma komputasi yang dibentuk Algoritme Backpropagation
berdasarkan struktur saraf organisme (Algoritme Perambatan Mundur) adalah
cerdas untuk mendapatkan pengetahuan algoritme pembelajaran yang terawasi dan
yang lebih baik. Jaringan ini digunakan terarah pada jaringan saraf tiruan untuk
untuk berbagai keperluan komputasi. Jenis melakukan proses pencarian suatu nilai
neural network yang sering digunakan bobot optimal atau beban yang memiliki
untuk prediksi adalah jaringan kelebihan. Karena pembelajarannya
backpropagation karena jaringan ini dilakukan secara berulang-ulang, sehingga
mampu belajar dari data sebelumnya dan dapat mengerjakan sistem yang tahan akan
mengenali pola data. Sehingga mampu kerusakan dan konsisten bekerja dengan
menganalisa dan memprediksi apa yang baik. Sehingga bisa menghasilkan nilai
akan terjadi dimasa yang akan datang. kesalahan seminimal mungkin melalui dara
pembelajaran yang diberikan. (Anwar,
2011).
II. PEMBAHASAN
Setiap elemen saraf menerima
A. Neural Network banyak input dan beban acak dan
menambahkannya ke bias statis setiap
Neural network atau jaringan syaraf elemen saraf, kemudian mengarahkannya
tiruan, seperti namanya adalah jaringan ke fungsi aktivator yang akhirnya
atau jaring laba-laba neuron merupakan membawa output elemen saraf jaringan
tiruan buatan dari otak manusia yang yang diinginkan. Fungsi aktivator dapat
menghubungkan lapisan input ke lapisan berupa linier (paling sederhana), langkah
output. Neural network adalah teknik heviside, dan fungsi sigmoid (kompleks).
pemodelan yang sangat canggih dan dapat Ketika lapisan saraf akhir menghasilkan
memodelkan fungsi yang sangat kompleks. output, fungsi kerugian dihitung
Menggunakan jaringan saraf tiruan, berdasarkan input, output dan propagasi
dimungkinkan untuk memprediksi harapan balik dilakukan untuk membawa perubahan
masa depan, mengklasifikasikan nilai data beban yang mengarah pada minimalisasi
ke dalam kelompok yang memungkinkan kerugian. Untuk menentukan penyesuaian
keputusan dibuat menggunakan mesin yang beban secara keseluruhan adalah kriteria
cerdas secara artifisial. Seperti manusia, utama atau sentral dari arsitektur neural
jaringan saraf tiruan dilatih oleh supervisor network (Galushkin 2007).
sesuai dengan paradigma pembelajaran
yang diawasi. Artificial Neural Networks (ANN)
atau Jaringan Syaraf Tiruan (JST) adalah
Neural network adalah bagian dari metode cerdas dalam komputasi canggih
kecerdasan buatan dan pembelajaran yang menganalisis informasi secara
mesin. Pembelajaran mendalam menjadi kuantitatif dengan belajar dan pelatihan.
lebih maju dengan bertambahnya data. Jaringan ini cocok untuk menangani
Oleh karena itu, jaringan saraf hubungan internal model yang kompleks
menyesuaikan kinerjanya menjadi lebih karena sifatnya yang sangat nonlinier,
besar saat mereka tumbuh lebih besar dan pemrosesan paralel data dalam jumlah
menangani arus informasi yang sangat besar, ketahanan tinggi, dan toleransi
besar. Menurut Fausett (1994) Artificial kesalahan. Jaringan saraf dapat
Neural Network adalah sistem pemrosesan dikategorikan ke dalam jaringan saraf
informasi yang memiliki karakter kinerja feedforward (jaringan saraf berulang). Pada
tertentu yang sama dengan jaringan saraf jaringan ini informasi mengalir langsung
manusia. Salah satu algoritme yang dari lapisan input ke lapisan output melalui
memiliki akurasi yang baik adalah beberapa lapisan tersembunyi pada tipe
algoritma backpropagation. pertama.
B. Struktur Neural Network
Neural Network terdiri dari 3
lapisan, yaitu :
1. Lapisan input atau masukan (buffer)
memiliki beberapa neuron input
(perceptron), jumlahnya tergantung
dataset yang dibutuhkan dalam
proses pembelajaran. Neuron
lapisan input tidak memiliki fungsi
transfer, tapi ada faktor skala di
setiap input untuk menormalkan
sinyalnya dengan mentransmisikan
sinyal yang dihitung ke lapisan
tersembunyi lalu ke lapisan output. Gambar 1 Struktur jaringan syaraf
2. Lapisan output atau keluaran tiruan : (a) berisi satu lapisan masukan, satu
(buffer) berisi beberapa neuron lapisan tersembunyi, dan satu lapisan
keluaran (atau satu neuron), yang keluaran. (b) satu lapisan masukan, dua
mewakili sebuah kelas dari lapisan tersembunyi, dan satu lapisan
kumpulan data keluaran. keluaran.
3. Lapisan tersembunyi berfungsi
untuk menghubungkan lapisan
input dan output, dengan melewati C. Metodologi Perancangan Neural
bobot yang dihitung ke lapisan Network
keluaran. Kesalahan disajikan ke
lapisan input melalui propagasi Metodologi umum untuk
balik (umpan balik). Lapisan merancang jaringan saraf (Neural Network)
tersembunyi juga terdiri dari dapat diringkas sebagai berikut :
beberapa neuron tersembunyi. 1. Pilih jaringan feedforward, jika
Neural network bisa berisi satu atau memungkinkan.
lebih lapisan tersembunyi, seperti yang 2. Pilih node input sama dengan
ditunjukkan pada gambar 1. Semua neuron jumlah sinyal input dan node output
di lapisan input terhubung ke neuron sama dengan jumlah sinyal output.
lapisan tersembunyi. Pemrosesan 3. Pilih faktor skala input yang sesuai
komputasi data di lapisan tersembunyi untuk normalisasi sinyal input dan
sangat kompleks dan tidak kita ketahui. faktor skala output untuk
denormalisasi sinyal keluaran.
4. Membuat tabel input-output data
pelatihan. Menangkap data dari
tanaman percobaan. Jika sebuah
model adalah tersedia, membuat
simulasi dan menghasilkan data dari
hasil simulasi.
5. Pilih sistem pengembangan.
6. Mengatur topologi jaringan dalam
pengembangan sistem. Asumsikan
bahwa itu adalah jaringan 3 lapis.
Pilih node lapisan tersembunyi rata-
rata node lapisan input dan output.
Pilih fungsi transfer. Prosedur
pelatihan sangat otomatis dalam 1. Metode optimasi orde pertama,
sistem pengembangan. Langkah- seperti metode gradien stokastik
langkahnya diberikan di bawah ini. (SGM). Digunakan untuk
7. Pilih kesalahan pelatihan jaringan memperbarui bobot model neural
yang dapat diterima. Inisialisasi network yang mengarah pada
jaringan dengan positif dan negatif perubahan dan pembaruan
acak bobot. parameter model untuk
8. Pilih pola data input-output dari file meminimalkan tingkat kerugian.
data pelatihan. Ubah bobot jaringan 2. Metode optimasi orde tinggi seperti
dengan prinsip pelatihan propagasi metode Newton.
balik. 3. Optimalisasi bebas turunan
9. Setelah kesalahan yang dapat heuristik seperti metode penurunan
diterima tercapai, pilih pola lain dan koordinat, metode pengoptimalan
ulangi prosedur. Pelatihan lengkap global seperti tabu, dan pencarian
untuk semua pola. annealing untuk menghasilkan
10. Jika jaringan tidak konvergen ke jaringan dengan kompleksitas yang
kesalahan yang dapat diterima, lebih rendah dan tingkat klasifikasi
tingkatkan neuron lapisan yang tinggi.
tersembunyi atau tingkatkan jumlah
lapisan tersembunyi (sebagian besar Metode optimasi tingkat tinggi
masalah dapat diselesaikan dengan sangat cepat dalam konvergen dan
3 lapisan), jika perlu. Jumlah informasi yang diekstraksi dari kurva dapat
neuron lapisan tersembunyi yang memberdayakan pencarian menjadi lebih
terlalu tinggi atau jumlah lapisan efektif. Aspek negatif dari pengoptimal
tersembunyi akan meningkatkan tingkat tinggi adalah operasi penyimpanan
waktu pelatihan, dan jaringan akan matriks Hessian terbalik. Solusi untuk
cenderung memiliki sifat mengatasi masalah ini adalah metode
menghafal. Newton.
11. Setelah pelatihan jaringan berhasil,
uji kinerja jaringan dengan
beberapa input data perantara. E. Kekurangan Neural Network
Bobot kemudian siap untuk Selain keuntungan besar dari
diunduh. penggunaan jaringan Neural, ada sejumlah
12. Pilih perangkat keras atau perangkat kelemahan seperti :
lunak yang sesuai untuk
implementasi. Unduh bobot. 1. Pelatihan memakan waktu lama,
apalagi dengan dataset ukuran
besar, dan durasinya tidak bisa
D. Optimasi Neural Network diprediksi.
2. Membutuhkan banyak sampel
Algoritma optimasi merupakan pelatihan untuk melatih model yang
komponen penting dari Neural Network dirancang karena penggunaan
Model Optimization yang bertujuan untuk fungsi aktivasi yang memangkas
mempelajari parameter dari input data sampel.
menggunakan fungsi aktivasi. Algoritma 3. Tidak ada kondisi atau aturan untuk
optimasi yang sangat baik dan efektif memutuskan struktur buatan yang
mempengaruhi peningkatan kinerja model cocok untuk suatu masalah karena
neural network. Teknik optimasi dapat itu tergantung pada trial dan error.
dikategorikan menjadi 3 jenis, yaitu :
4. Dapat bekerja dengan nilai Convolutional Neural Network.
numerik, jadi semua input NN harus REPOSITORI, Vol. 1, No. 2, E-ISSN:
dalam bentuk numerik. 2716-1382, 105-116.
5. Harus mengoptimalkan parameter [3] Joshi, A., Sasumana, J., Ray, N. M.,
seperti kecepatan pembelajaran, Kaushik, V. (2021). Neural Network
jumlah node dan jumlah lapisan Analysis. 351-364. Diakses pada 31
tersembunyi. Oktober 2022, dari
6. Cara NN buatan memproses data [Link]
input dan menghasilkan hasil yang 6191-1_18#DOI.
diminta masih ambigu. [4] Marton, S., Lüdtke, S., Bartelt, C.
(2022). Explanations for Neural
Networks by Neural Networks. Appl.
III. KESIMPULAN Sci, Vol 12 (980). Diakses pada 31
Oktober 2022, dari [Link]
Jaringan saraf tiruan (Neural 10.3390/app12030980.
Network) adalah teknik pembelajaran [5] Nayef, B. H., Abdullah, S. N. H. S.,
mesin berdasarkan pengetahuan manusia, Sulaiman, R., Alyasseri, Z. A. A. K.
di mana mesin mempelajari pengalaman (2022). VARIANTS OF NEURAL
manusia menggunakan teknik khusus untuk NETWORKS: A REVIEW. Malaysian
mengekstraksi fitur, memilih fitur, Journal of Computer Science, Vol. 35
memfilter data, melatih pengklasifikasi (2), 158-178.
dengan label biner, dll. Keuntungan penting [6] Rathi, K. J., Ali, M. S. (2017). Neural
dari neural network adalah efisiensinya Network Controller for Power
dalam memproses data dengan ukuran Electronics Circuits. IAES
berbeda, mengurangi kompleksitas International Journal of Artificial
komputasi, mengurangi konsumsi waktu Intelligence (IJ-AI), Vol. 6, No. 2,
pelatihan, dan memproses data mentah ISSN: 2252-8938, 49-55.
seperti gambar 2D, 3D, audio dan video. [7] Shah, J., Rattan, S. S., Nakra, B. C.
Neural network telah menjadi pilihan yang (2012). Kinematic Analysis of a Planer
sangat baik untuk memecahkan masalah di Robot Using Artificial Neural
berbagai bidang. Alasannya adalah teknik Network. International Journal of
pembelajaran mendalam menjamin kinerja Robotics and Automation (IJRA), Vol.
yang sangat tinggi untuk model bahkan 1, No. 3, ISSN: 2089-4856, 145-151.
ketika melatih data mentah. Selain itu, [8] Siregar, S. P., Wanto, A. (2017).
pembelajaran mendalam sangat ampuh Analysis Accuracy of Artificial Neural
untuk mengontrol jumlah parameter model, Network Using Backpropagation
lapisan, dan lain-lain. Algorithm In Predicting Process
(Forecasting). International Journal
REFERENSI Of Information System & Technology,
Vol. 1, No. 1, ISSN : 2580-7250, 34-42.
[1] Aziz, A. AI., Muntakim, A. H., [9] Wiranata, I. K. R., Gandhiadi, G. K.,
Ahmed, K. (2021). A No Regular Harini, L. P. I. (2020). PERAMALAN
Behavior Pattern in Neural Network KUNJUNGAN WISATAWAN
Execution - A Matlab Experience. MANCANEGARA KE PROVINSI
International Journal of Computer BALI MENGGUNAKAN METODE
Applications, Vol. 174 – No. 19, 39-46. ARTIFICIAL NEURAL NETWORK. E-
[2] Halimi, I., Azhar, Y., Marthasari, G. I. Jurnal Matematika, Vol. 9 (4), ISSN:
(2019). Prediksi Harga Emas 2303-1751, 213-218.
Menggunakan Univariate
View publication stats