Ribuan tahun lamanya, manusia telah mempelajari bagaimana otaknya bekerja. Sebuah perubahan besar terrjadi pada tahun 1943 ketika Warren McMulloch, yang merupakan seorang ahli neurofisiologi dan Walter Pitts seorang ahli matematika menulis makalah tentang cara kerja dari neuron. Mereka memodelkan jaringan syaraf sederhana dengan menggunakan rangkaian listrik. Kemudian pada tahun 1949 Donald Hebb memperkuat konsep neuron pada bukunya, The Organization of Behavior yang menunjukan bahwa jaringan syaraf diperkuat setiap kali digunakan. Kemudian Nathanial Rochester memimpin penelitian di IBM untuk menstimulasi neural network pada tahun 1950. Selanjutnya pada tahun 1958, Frank Rosenblatt, seorang ahli biologi saraf dari Cornell, berhasil menemukan sebuah two-layer-network yang disebut Perceptron. Bernard Widrow dan Marcian dari Stanford pada tahun 1959 mengembangkan model ADALINE dan MEDALINE. Model ini merupakan Neural network pertama yang diterapkan pada masalah di dunia nyata. Pada tahun 1880 an, penelitian mengenai Neural Network sempat lesu. Dan pada tahun 1982 John Hopfield mempresentasikan makalahanya pada National Academy of Sciencies tentang pendekatannya untuk menciptakan perangkat yang menyenangkan, berguna, kharismatik dan mampu berbicara. Konferensi International of Electrical and Electronic (IEEE) pada tahun 1987, dihadiri lebih dari 1.800 peserta. Pada saat ini Neural Network telah diterapkan pada beberapa task seperti classifikation, approximation, prediction, recognition, memory simulation, clusterization, dan jumlahnya semakin terus bertambah seiring dengan berjalannya waktu
Setelah mengetahui sejarah dari Neural Network sekarang kita akan membahas pengertian dari Neural Network itu sendiri. Kecerdasan buatan memiliki cabang ilmu yang cukup luas. Salah satunya yaitu neural netwok, dengan cara kerja yang meniru syaraf-syaraf otak manusia. Jika pada otak manusia terdapat sel-sel yang berisi nukleus maka pada neural network terdapat nodes, yang keduanya pun sama-sama saling terhubung. Neural network merupakan sebuah program komputer agar mempu mengenali pola dan mampu menyelesaikan berbagai masalah. Neural network termasuk kedalam kategori soft computing. Neural Network mampu menjadi alat yang sangat berguna dalam ilmu komputer dan kecerdasan buatan. Berkat Neural Network komputer dapat dengan mudah mengenali ucapan atau mengenali gambar dengan cepat bahkan dalam hitungan menit.
Neural Network merupakan salah satu bagian dari kecerdasan buatan dengan kata lain Nural Network merupakan bagian dari deep learning. Deep learning adalah bagian dari mechine learning yang merupakan salah satu cabang dari ilmu kecerdasan buatan.
Adapun fungsi dari Neural Network adalah - Mampu mengklarifikasi pola Dari berbagai pola yang ada dan terdapat beberapa masalah di dalamnya akan dibagi dalam beberapa klarifikasi. Pengklasifikasian ini dapat dilakukan dengan menggunakan Artificial Neural Network agar proses ini dapat lebih cepat dan terrhindar dari berbagai masalah. Jadi hasil yang diberikan dapat sesuai dengan harapan. -Memetakan pola dari input ke output Artificial Neural Network sejatinya akan melakukan pemetaan pola yang sekiranya akan diterapkan pada proses mulai penerimaan input hingga menghasilkan output. Sehingga segala proses yang bersifat kompleks ini memerlukan pemetaan agar dapat berjalan dengan lebih mudah. -Menyimpan pola Pola yang terdapat dalam proses menerima stimulus atau input akan menghasilkan output. Sehingga memungkinkan adanya lebih dari satu pola. Tetapi, seluruh pola yang ada dalam pemrosesan ini akan disimpan melalui sistem Artificial Neural Netwok. Penggunaan aplikasi yang bekerja dengan sistem Artificial Neural Netwok akan melakukan penyimpanan pola dengan langkah yang tepat dan bersifat efisien. -Memetakan berbagai pola yang serupa Kemudian berbagai pola yang ada pada pemrosesan akan dipetakan secara lebih detail. Proses pemetaan ini dilakukan berdassarkan pada jenis pola antara satu dengan yang lainnya. Sehingga dalam hal ini pemetaan pola dilakukan lebih spesifik. Pola sejenis akan dipetakan sehingga menjadi satu kesatuan tersendiri. -Mengoptimasi masalah mengoptimasi masalah pada dasarnya merupakan suatu proses yang dilakukan dengan tujuan untuk menghasilkan nilai yang ideal. Sehingga dengan adanya Artificial Neural Network sebenarnya agar masalah yang dihadapi dapat diproses secara lebih lanjut sehingga masalah dapat diselesaikan dengan baik. Setiap solusi yang dipilih berdasarkan pada pemrosesan yang juga baik. -Melakukan Prediksi Pada akhirnya melalui jaringan saraf tiruan yang digunakan untuk menghadapi berbagai masalah maka diharapkan agar dapat diberikan prediksi atas sesuatu hal. Sehingga nantinya prediksi ini nantinya diharapkan cenderung bersifat lebih menguntungkan dan dapat berguna serta dapat menjadi alternatif terbaik bagi tiap permasalahan yang ada.
Pada otak manusia dapat mengenali sesuatu dan dapat mengambil keputusan atas sesuatu dengan sangat cepat. Ini semua berkat adanya sel saraf yang mampu mengirimkan sinyal-sinyal secara cepat. Kondisi inilah yang akan ditiru oleh neural network. Cara kerja pada sel saraf manusia yaitu menerima stimulan melalaui dendrit, selanjutnya stimulan tersebut di proses pada badan sel dan diteruskan ke axon kemudian menghasilkan output. Hal inilah yang akan ditiru oleh neural network. Mengikuti konsep sel saraf manusia yaitu menerima input, kemudia memproses input tersebut yang kemudian menghasilkan output. Konsep ini membuat mesin dapat memproses sesuatu kemudian melakukan hal dari input-input yang telah diproses. Agar dapat memprediksikan suatu hal dengan tepat, makan neural network memerlukan latihan terus menerus. Neural Network harus terus menerima inputan dalam jumlah besar agar semakin pintar dalam mengenali sesuatu. Waktu yang dibutuhkan untuk melatih sangat beragam bisa dalam hitungan jam, bulan, bahkan tahun.
Pada Deep Learning ada beberapa jenis Neural network yaitu Artificial Neural Network (ANN), Convolutional Neural Network (CNN), dan Recurrent Neural Network (RNN). Berikut penjelasannya untuk masing-masing jenisnya : -Artificial Neural Network (ANN) Artificial Neural Network atau yang sering disebut dengan jaringan syaraf tiruan merupakan salah satu Neural Network yang paling umum dikenal. Artificial Neural Network ini memiliki kemampuan luar biasa untuk mendapatkan informasi dari kata yang rumit sehingga permasalahan dapat diatasi. Disamping itu, Artificial Neural Network juga memiliki kelemahan yaitu adanya ketergantungan terhadap hardware sehingga tidak efektif jika digunakan untuk melakukan operasi-operasi numerik dengan presisi tinggi dan membutuhkan pelatihan dalam waktu yang cukup lama jika jumlah kata yang diolah terlalu besar. -Convolutional Neural Network (CNN) Convolutional Neural Network merupakan model yang paling populer di deep learning. Model ini digunakan dalam model aplikasi dan domain. Serta sangat umum digunakan dalam proyek pemrosesan gambar dan video. Keuntungan yang diberikan dalam penggunaan model CNN antara lain, CNN memiliki akurasi yang sangat tinggi dalam masalah pengenalan gambar. Namun kekurangan pada CNN yaitu kurangnya kemampuan untuk menjadi invarian secara spasial terhadap data input, membutuhkan banyak pelatihan, dan overfitting. -Recurrent Neural Network (RNN) Recurrent Neural Network atau yang sering disebut dengan jaringan saraf berulang, model ini merupakan yang paling kompleks dibanding dengan yang lainnya. Dimana Recurrent Neural Network akan menyimpan output dari node pemrosesan dan akan memasukan hasilnya kembali kedalam model dengan kata lain informasi yang diteruskan tidak dalam satu arah saja melainkan dalam dua arah. Kelebihan dari RNN ini adalah mereka akan menangkap setiap informasi yang ada dan akan diinput secara sekuensial selain itu juga dapat digunakan dengan lapisan convolutional untuk memperluas lingkungan pixel yang efektif. Kelemahan dari RNN ini adalah tidak dapat memproses urutan yang sangat panjang jika menggunakan tanh atau relu sebagai fungsi aktivasi.
Berikut merupakan contoh-contoh dari Neural Network -Pengenalan Tulisan Tangan Saat ini sudah sangat banyak perangkat yang dibekali teknologi tulisan tangan. contohnya pada Tablet Android dan Ipad, anda dapat menulis menggunakan jari ataupun dengan pen khusus pada layar Android atau Ipad. Selanjutnya Neural Network akan bekerja mengenali tulisan tangan tersebut sehingga tulisan tangan seketika berubah menjadi ketikan pada layar Android atau Ipad. -Pengenalan wajah Sekarang ini pada camera smartphone mampu memperkirakan usia seseorang berdasarkan fitur-fitur yang ada pada wajah. Pada saat anda mengambil gambar menggunakan camera smartphone, pertama Neural Network akan memisahkan wajah dengan latar pada foto, kemudian Neural Network akan menghubungkan garis-garis dan titik-titik pada wajah untuk mendapatkan informasi perkiraan usia. -Prakiraan Neural Network dilatih agar bisa memahami pola-pola dan mendeteksi kemungkinan terjadinya hujan. Kemudian prakiraan naik turunnya harga saham juga bisa dilakukan dengan bantuan Neural Network. Hasil dari prediksi Neural Network juga diklaim memiliki tingkat keakuratan yang tinggi. Komposisi musik Dalam bidang musik, ternyata juga bisa diterapkan Neural Network. Neural Network terutama digunakan untuk mempelajari pola-pola musik untuk kemudian melatih diri agar dapat mengkomposisi sebuah musik yang baru.
Berdasarkan apa yang telah dijelaskan diatas maka dapat disimpulkan bahwa neural network merupakan bagian dari deep learning karena neural network merupakan salah satu bagian dari kecerdasan buatan. Neural network merupakan tiruan dari jaringan syaraf manusia karena pada otak manusia mampu mengambil keputusan dan mampu mengenali sesuatu dengan sangat cepat sehingga hal inilah yang akan ditiru oleh neural network. Beberapa contoh dari neural network yaitu pengenalan tulisan tangan, pengenalan wajah, prakiraan dan komposisi musik.
Kesempatan lowongan magang terbaru di tahun 2024
Baca Selengkapnya..