Artifical Neural Networks (ANN) dan Pembahasan Dasar
Assalamualaikum Wr. Wb, Salam Sejahtera dan Salam Budaya
Dewasa ini ilmu data mining sudah tidak asing lagi terdengar bagi sebagian mahasiswa statistika, komputer, bahkan mahasiswa teknik sekalipun. Semakin berkembangnya penelitian yang dilakukan oleh para ahli, ilmu data mining pun sering digunakan untuk mendukung hasil observasinya. Dengan ditemukan data-data yang baru setiap tahunnya, model-model prediksi terkadang algoritma-algoritma atau metode klasifikasi dari pembelajaran supervised learning bisa juga memberikan tingkat akurasi yang rendah.
ANN atau Artifical Neural Networks yang dalam bahasa Indonesia adalah Jaringan Syaraf Tiruan yang merupakan sebuah metode yang baru-baru ini dikembangkan oleh para pakar data mining.
Pengertian Artifical Neural Networks (ANN)
Artifical Neural Networks (ANN) atau Jaringan Syaraf Tiruan adalah sebuah metode yang awalnya mendapat inspirasi dari sistem jaringan saraf makhluk hidup. ANN muncul sebagai alternatif pendekatan konvensional yang biasanya urang fleksibel terhadap perubahan struktur masalah.
- Mengapa Perlu Artifical Neural Networks (ANN)
Sebelum itu kita pahami dulu karateristik kemampuan otak manusia, sebagai berikut
- Mengingat
- Menghitung
- Men Generalisasi
- Adaptasi
- Konsumsi Energi yang Rendah
Artifical Neural Networks (ANN) diharapkan dapat meniru kerja otak manusia mempunyai kemampuan seperti diatas. ANN berusaha meniru struktur dan cara kerja otak manusia. Algoritma Artifical Neural Networks (ANN) mempunyai beberapa kelebihan, seperti kemampuan prediksi yang polanya nonlinear, waktu penyelesaian yang cepat, robust terhadap missing value. Contoh pekerjaan ANN dewasa ini adalah seperti pola peramalan curah hujan, pendeteksian tornado, pendeteksian pemalsuan kartu kredit dan beberapa tugas pengenalan objek visual lainnya.
Sejarah ANN
Ada tiga periode yang menandai perkembangan mengenai metode ANN. Tahun 1940-an adalah periode pertama dimana McCulloch dan Pitt memulai riset tentang Artifical Neural Networks (ANN). Kemudian periode kedua adalah tahun 1960-an, Rosenblatt dengan melanjutkan riset tentang ANN mampu menemukan teknik perceptron. Kemudian dilanjutkan oleh Minsky dan Papert di periode ketiga bisa membuktikan bahwa perceptron mempunyai kelemahan dan mempu menemukan jenis-jenis desain atau algoritma dibawah ANN, seperti back-propagasi, recurrent network, bayesian network dan sebagainya.
Model Komputasi Neuron
Dimana y adalah fungsi aktivasi, dan w adalah bobot sesuai dengan input ke-j.
Model ini diajukan oleh McCulloch dan Pitt adalah unit batas binari sebagai model komputasi untuk Artifical Neural Networks (ANN).
Elemen-elemen dasar model Neuron adalah :
- Set synapsis atau link penghubung, yaitu ditandai dengan adanya bobot atau kekuatan dari link ini. Seperti xj pada synapsis j dihubungkan ke neoron k dikalikan wkj .
- Penambah, yaitu untuk menjumlahkan signal input yang diberi bobot.
- Fungsi Aktivasi, yang membuat ANN mampu bekerja terhadap data non-linear
Contoh gambaran model ANN
Macam-macam pendekatan yang dilakukan neural network ini ada berbagai algoritma yang diterapkan, antaran lain seperti :
- Algoritma Peceptrons
- Gradients Descent
- Metode Newton
- Least Mean Square Algorithm
- Algoritma Back-Propagasi
- Deep Learning
Metode Validasi Neural Network
Neural Networks adalah salah satu algoritma dari pembelajaran supervised learning atau dalam arti lain adalah sebuah metode yang mengacu pada teknik klasifikasi dimana untuk set data nya diperlukan sebuah record sample data dengan dilengkapi dengan atribut targetnya atau kelas. Sehingga metode validasinya juga mengacu pada nili precission, recall, dan accuracy.
Salah satu aspek penting dari pemakaian teknik neural network adalah berapa jumlah iterasi atau percobaan yang harus diterapkan dalam mentraining suatu network. Hal ini akan mempengaruhi tingkat performansi dari algoritma Artifical Neural Networks. Dengan jumlah percobaan yang terlalu banyak mungkin akan menghasilkan nilai error yang sangat kecil dalam tahap training. Jika terjadi sebaliknya atau nilai error yang didapatkan semakin tinggi kasus ini biasa disebut dengan overfitting.Karena error dalam tahap validasi sangatlah penting guna dijadikan pedoman untuk melakukan prediksi pada data yang tidak diketahui nilai target atau outputnya.
Kelebihan & Kekurangan Neural Networks
- Kelebihan dari ANN atau Artifical Neural Networks adalah kemampuan untuk memprediksi dan belajar dari data-data yang kompleks bertipe numerik. Neural Network mempunyai toleransi yang baik pada data yang mengandung noise. Sehingga mempu membuat hubungan yang kompleks antara atribut-atribut prediktor dan outputnya. Terbukti sekarang pendakatan ANN pada Deep Learning saat ini menjadi state of the art method diberbagai macam pemecahan suatu permasalahan.
- Kekurangan dari ANN adalah membutuhkan jumlah data latih yang cukup, karena jika data latih yang sedikit, maka hasil prediksinya akan sangat buruk, kemudian ANN tidak bisa membuat model struktural yang jelas, karena ANN lebih bersifat menyelesaikan permasalahan secara black box
Baca Juga : Komparasi Kinerja Algoritma C4.5, Random Forest dan Deep Learning untuk kinerja yang lebih baik
Nah, itulah sedikit pengalaman yang beredukasi tentang pembahasan dasar dan sejarah Artifical Neural Networks (ANN) atau Jaringan Saraf Tiruan. Selanjutnya pada artikel yang lain adalah tentang Algoritma Back-Propagasi adalah bawahan dari metode Artifical Neural Networks (ANN).
Demikian , semoga bermanfaat dan terimakasih sudah berkunjung. Satu kata "Jangan Lupa Bernafas dan Tetap Bersukur".
Wassalamualaikum Wr.Wb
See You
Sumber Referensi: