fbpx

Apa Itu Jaringan Saraf Tiruan Atau Artificial Neural Network ?

Jaringan saraf tiruan atau (artificial neural network) adalah jenis pembelajaran mesin yang memodelkan sendiri setelah otak manusia. Ini menciptakan jaringan saraf tiruan yang melalui suatu algoritma memungkinkan komputer untuk belajar dengan memasukkan data baru.

Meskipun ada banyak algoritma kecerdasan buatan hari ini, jaringan saraf tiruan mampu melakukan apa yang telah disebut pembelajaran mendalam. Sementara unit dasar otak adalah neuron, blok bangunan penting dari jaringan saraf tiruan adalah perceptron yang menyelesaikan pemrosesan sinyal sederhana, dan ini kemudian dihubungkan ke jaringan mesh besar.

Komputer dengan jaringan saraf tiruan diajarkan untuk melakukan tugas dengan menganalisa contoh-contoh pelatihan, yang sebelumnya telah diberi label sebelumnya. Contoh umum dari tugas untuk jaringan saraf tiruan menggunakan pembelajaran mendalam adalah tugas pengenalan objek, di mana jaringan saraf tiruan disajikan dengan sejumlah besar objek dari jenis tertentu, seperti kucing, atau tanda jalan, dan komputer, dengan menganalisis pola berulang dalam gambar yang disajikan, belajar untuk mengkategorikan gambar baru.

Jaringan saraf tiruan

Bagaimana jaringan saraf tiruan belajar

Tidak seperti algoritme lain, jaringan saraf tiruan dengan pembelajaran mendalam tidak dapat diprogram langsung untuk tugas. Sebaliknya, mereka memiliki kebutuhan, seperti otak yang sedang berkembang, bahwa mereka perlu mempelajari informasi. Strategi pembelajaran melalui tiga metode:

  • Pembelajaran yang diawasi: Strategi pembelajaran ini adalah yang paling sederhana, karena ada dataset berlabel, yang dilalui komputer, dan algoritmanya telah dimodifikasi hingga dapat memproses dataset untuk mendapatkan hasil yang diinginkan.
  • Pembelajaran tanpa pengawasan: Strategi ini digunakan dalam kasus di mana tidak ada dataset berlabel yang tersedia untuk dipelajari. Jaringan saraf tiruan menganalisis dataset, dan kemudian fungsi biaya kemudian memberitahu jaringan saraf seberapa jauh dari target itu. Jaringan saraf kemudian menyesuaikan untuk meningkatkan akurasi algoritme.
  • Pembelajaran yang dipaksakan: Dalam algoritma ini, jaringan saraf tiruan diperkuat untuk hasil positif, dan dihukum untuk hasil negatif, memaksa jaringan saraf tiruan untuk belajar dari waktu ke waktu.

Sejarah Jaringan Saraf Tiruan

Sementara jaringan saraf tiruan jelas mewakili teknologi komputer modern yang kuat, gagasan itu kembali ke tahun 1943, dengan dua peneliti di Universitas Chicago, Warren McCullough, seorang ahli saraf dan Walter Pitts, seorang ahli matematika.

Makalah mereka, “Kalkulus Logis Gagasan dalam Aktivitas Syaraf,” pertama kali diterbitkan dalam jurnal Brain Theory , yang mempopulerkan teori bahwa aktivasi neuron adalah unit dasar dari aktivitas otak. Namun, makalah ini lebih berkaitan dengan perkembangan teori-teori kognitif pada saat itu, dan kedua peneliti pindah ke MIT pada tahun 1952 untuk memulai departemen ilmu kognitif pertama.

Jaringan saraf pada tahun 1950-an adalah area subur untuk penelitian jaringan saraf komputer, termasuk Perceptron yang mencapai pengenalan pola visual berdasarkan mata majemuk lalat. Pada tahun 1959, dua peneliti Universitas Stanford mengembangkan MADALINE (Multiple ADAptive LINear Elements), dengan jaringan saraf yang melampaui teoritis dan mengambil masalah yang sebenarnya. MADALINE secara khusus diterapkan untuk mengurangi jumlah gema pada saluran telepon, untuk meningkatkan kualitas suara, dan sangat sukses, tetap digunakan komersial untuk kali saat ini.

Meskipun antusiasme awal dalam jaringan saraf tiruan, sebuah buku penting pada tahun 1969 dari MIT, Perceptrons: An Introduction to Computational Geometry memberikan ini. Para penulis menyatakan skeptisisme mereka terhadap jaringan saraf tiruan, dan bagaimana ini mungkin merupakan jalan buntu dalam pencarian kecerdasan buatan yang sebenarnya.

Hal ini secara signifikan mengumpulkan daerah ini untuk penelitian sepanjang tahun 1970-an, baik secara keseluruhan, maupun pendanaan. Meskipun demikian, beberapa upaya terus berlanjut, dan pada tahun 1975 jaringan multi-lapis pertama dikembangkan, membuka jalan untuk pengembangan lebih lanjut dalam jaringan saraf, suatu prestasi yang beberapa orang berpikir mustahil kurang dari satu dekade sebelumnya.

Minat pada tahun 1982 secara signifikan diperbarui dalam jaringan saraf ketika John Hopfield, seorang profesor di Universitas Princeton, menemukan jaringan saraf asosiatif; Inovasi adalah bahwa data dapat melakukan perjalanan dua arah karena sebelumnya hanya searah, dan juga dikenal sebagai penemu sebagai Hopfield Network. Ke depan, jaringan saraf tiruan telah menikmati popularitas dan pertumbuhan yang luas.

Pena dan tulisan

Dunia nyata digunakan untuk jaringan syaraf
Pengenalan tulisan tangan adalah contoh masalah dunia nyata yang dapat didekati melalui jaringan syaraf tiruan. Tantangannya adalah bahwa manusia dapat mengenali tulisan tangan dengan intuisi sederhana, tetapi tantangan untuk komputer adalah tulisan tangan setiap orang adalah unik, dengan gaya yang berbeda, dan bahkan jarak antar surat yang berbeda, sehingga sulit untuk mengenali secara konsisten.

Sebagai contoh, huruf pertama, huruf kapital A, dapat digambarkan sebagai tiga garis lurus di mana dua bertemu di puncak di atas, dan yang ketiga melintasi dua setengah lainnya, dan masuk akal bagi manusia, tetapi merupakan tantangan untuk ungkapkan ini dalam algoritme komputer.

Dengan mengambil pendekatan jaringan saraf tiruan, komputer diberi contoh pelatihan karakter tulisan tangan yang dikenal, yang sebelumnya telah diberi label sebagai mana huruf atau angka yang mereka kaitkan, dan melalui algoritme komputer kemudian belajar mengenali setiap karakter, dan sebagai data set karakter meningkat, begitu juga akurasi.

Pengenalan tulisan tangan memiliki berbagai aplikasi, beragam seperti membaca alamat otomatis pada surat di layanan pos, mengurangi penipuan bank pada cek, hingga input karakter untuk komputasi berbasis pena.

Data keuangan di layar laptop

Jenis masalah lain untuk jaringan syaraf tiruan adalah peramalan pasar keuangan. Ini juga berlaku dengan istilah ‘perdagangan algoritmik,’ dan telah diterapkan untuk semua jenis pasar keuangan, dari pasar saham, komoditas, suku bunga dan berbagai mata uang.

Dalam kasus pasar saham, pedagang menggunakan algoritma jaringan syaraf untuk menemukan saham yang kurang dihargai, meningkatkan model saham yang ada, dan menggunakan aspek pembelajaran mendalam untuk mengoptimalkan algoritme mereka seiring perubahan pasar.

Sekarang ada perusahaan yang mengkhususkan diri dalam algoritma perdagangan saham jaringan syaraf, misalnya, Sistem Perdagangan MJ.

Algoritma jaringan saraf tiruan, dengan fleksibilitas yang melekat, terus diterapkan untuk pengenalan pola yang kompleks, dan masalah prediksi. Selain contoh di atas, ini termasuk berbagai aplikasi seperti pengenalan wajah pada gambar media sosial, deteksi kanker untuk pencitraan medis, dan peramalan bisnis.

Follow me

Adiba

Writer at Teknoiot Inc.
Penikmat buku dan senang dengan artificial intellingence, merangkap penulis santai.
Follow me
Loading...