Neural network adalah model yang terinspirasi oleh bagaimana neuron dalam otak manusia bekerja. Tiap neuron pada otak manusia saling berhubungan dan informasi mengalir dari setiap neuron tersebut. Gambar di bawah adalah ilustrasi neuron dengan model matematisnya.
Tiap neuron menerima input dan melakukan operasi dot dengan sebuah weight, menjumlahkannya (weighted sum) dan menambahkan bias. Hasil dari operasi ini akan dijadikan parameter dari activation function yang akan dijadikan output dari neuron tersebut.
Sejarah Artificial Neural Network
Perkembangan ilmu Artificial Neural Network sudah ada sejak tahun 1943 ketika Warren McCulloch dan Walter Pitts memperkenalkan perhitungan model neural network yang pertama kalinya. Mereka melakukan kombinasi beberapa processing unitsederhana bersama-sama yang mampu memberikan peningkatan secara keseluruhan pada kekuatan komputasi.
Hal ini dilanjutkan pada penelitian yang dikerjakan oleh Rosenblatt pada tahun 1950, dimana dia berhasil menemukan sebuah two-layer network, yang disebut sebagai perceptron. Perceptron memungkinkan untuk pekerjaan klasifikasi pembelajaran tertentu dengan penambahan bobot pada setiap koneksi antar-network.
Keberhasilan perceptron dalam pengklasifikasian pola tertentu ini tidak sepenuhnya sempurna, masih ditemukan juga beberapa keterbatasan didalamnya. Perceptron tidak mampu untuk menyelesaikan permasalahan XOR (exclusive-OR). Penilaian terhadap keterbatasan neural network ini membuat penelitian di bidang ini sempat mati selama kurang lebih 15 tahun. Namun demikian, perceptron berhasil menjadi sebuah dasar untuk penelitian-penelitian selanjutnya di bidang neural network.
Pengkajian terhadap neural network mulai berkembang lagi selanjutnya di awal tahun 1980-an. Para peneliti banyak menemukan bidang interest baru pada domain ilmu neural network. Penelitian terakhir diantaranya adalah mesin Boltzmann, jaringan Hopfield, model pembelajaran kompetitif, multilayer network, dan teori model resonansi adaptif.
Untuk saat ini, Neural Network sudah dapat diterapkan pada beberapa task, diantaranya classification, recognition, approximation, prediction, clusterization, memory simulation dan banyak task-task berbeda yang lainnya, dimana jumlahnya semakin bertambah seiring berjalannya waktu.
1943 : Waffen McCulloh dan Walter Pitts merancang model matematis dari sel-sel otak.
1949 : Hebb menyatakan informasi dapat disimpan dalam koneksi-koneksi antar neuron.
1958 : Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola.
1982 : Kohonen mengembangkan metode jaringan syaraf buatan unsupervised learning.
1982 : Grossberg mengenalkan sejumlah arsitektur jaringan (ART,ART2,ART3).
1982 : Hopfield mengembangkan jaringan syaraf reccurent untuk menyimpan informasi.
Pelatihan Pada Artificial Neural Network
1. Supervised Training (Pelatihan Terbimbing)
Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukan target keluaran) yang dipakai untuk melatih jaringan hingga didapatkan bobot jaringan yang diinginkan. Untuk setiap kali pelatihan, suatu input diberikan ke jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target merupakan kesalahan yang terjadi. Jaringan akanmemodifikasi bobot sesuai dengan kesalahan tersebut
Contoh dari metode pelatihan terbimbing yang sering digunakan yaitu Single Perceptron, Multi Perceptron dan Back Propagation
2. Unsupervised Training (Pelatihan Takterbimbing)
Dalam jaringan Unsupervised, jaringan ini terdiri dari dua layar atau lapisan, yaitulayar input dan layar kompetensi. Layar input menerima data eksternal. Layarkompetitif berisi neuron-neuron yang saling berkompetisi agar memperolehkesempatan untuk merespon atau menanggapi sifat-sifat yang ada didalam datamasukan. Neuron yang memenangkan kompetisi akan memperoleh sinyal
yang berikutnya ia teruskan. Bobot dari neuron pemenang akan dimodifikasi sehinggamenyerupai dengan data masukkan.
Contoh model yang digunakan : Competitive dan Neocognitron
3. Hybrid (Hibrida)
Yaitu merupakan kombinasi dua atau lebih teknik / metode pembelajaran supervisi dan tanpa unsupervised yang bertujuan menggabungkan kekuatan masing-masing teknik tersebut dan meminimalkan kekurangannya, sehingga dapat menjadikan alternatif atau solusi untuk mengoptimalkan opini benar atau tidaknya suatu data yang terkumpul untuk dijadikan bahan dalam proses pengambilan keputusan. Pada metode yang ke 3 ini juga dapat dikatakan sebagai Integrasi dari beberapa computer system tools untuk menyelesaikan masalah. Tujuannya adalah agar antara satu system dengan sitem yang lainya saling melengkapi kekurangan dari masing-masing sistem, sehingga keputusan akan dapat dengan mudah untuk diambil dan permasalahan akan dengan mudah terselesaikan
Sumber :
https://medium.com/@samuelsena/pengenalan-deep-learning-8fbb7d8028ac
https://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
