Jaringan syaraf adalah model komputer dari unit atau node yang terhubung yang dirancang untuk mengirim, memproses, dan belajar dari informasi (data) dengan cara yang mirip dengan bagaimana neuron (sel saraf) bekerja pada manusia.
Jaringan Saraf Tiruan
Dalam teknologi, jaringan saraf sering disebut sebagai jaringan saraf tiruan (JST) atau jaring saraf untuk membedakan dari jaringan saraf biologis yang mereka contoh. Gagasan utama di balik ANN adalah bahwa otak manusia adalah "komputer" paling rumit dan cerdas yang ada. Dengan memodelkan ANN sedekat mungkin dengan struktur dan sistem pemrosesan informasi yang digunakan oleh otak, para peneliti berharap untuk membuat komputer yang mendekati atau melampaui kecerdasan manusia. Jaring saraf adalah komponen kunci dari kemajuan saat ini dalam kecerdasan buatan (AI), pembelajaran mesin (ML), dan pembelajaran yang mendalam.
Cara Kerja Jaringan Saraf: Perbandingan
Untuk memahami cara kerja jaringan syaraf dan perbedaan antara kedua jenis (biologis dan buatan), mari gunakan contoh bangunan kantor 15 lantai dan saluran telepon dan papan tombol yang merutekan panggilan di seluruh gedung, lantai individu, dan kantor perorangan. Masing-masing kantor di gedung kantor 15 lantai kami mewakili sebuah neuron (node dalam jaringan komputer atau sel saraf dalam biologi). Bangunan itu sendiri adalah struktur yang berisi satu set kantor yang diatur dalam sistem 15 lantai (jaringan saraf).
Menerapkan contoh ke jaringan saraf biologis, switchboard yang menerima panggilan memiliki sambungan ke kantor di lantai mana pun di seluruh gedung. Selain itu, setiap kantor memiliki saluran yang menghubungkannya dengan setiap kantor lain di seluruh gedung di lantai mana pun. Bayangkan ada panggilan masuk (input) dan switchboard mentransfernya ke kantor di 3rd lantai, yang mentransfernya langsung ke kantor di 11th lantai, yang kemudian langsung mentransfernya ke kantor di 5th lantai. Di otak, setiap neuron atau sel saraf (kantor) dapat langsung terhubung ke neuron lain dalam sistem atau jaringan saraf (bangunan). Informasi (panggilan) dapat ditransmisikan ke setiap neuron (kantor) lain untuk memproses atau mempelajari apa yang dibutuhkan sampai ada jawaban atau resolusi (output).
Ketika kami menerapkan contoh ini ke ANN, itu menjadi sedikit lebih rumit. Setiap lantai gedung membutuhkan switchboard sendiri, yang hanya dapat terhubung ke kantor di lantai yang sama, serta papan tombol di lantai di atas dan di bawahnya. Setiap kantor hanya dapat terhubung langsung ke kantor lain di lantai yang sama dan switchboard untuk lantai itu. Semua panggilan baru harus dimulai dengan switchboard di lantai 1 dan harus dipindahkan ke masing-masing lantai dalam urutan numerik hingga 15th lantai sebelum panggilan dapat berakhir. Mari kita gerakkan untuk melihat cara kerjanya.
Bayangkan ada panggilan masuk (input) ke nomor 1st floor switchboard dan dikirim ke kantor pada 1st lantai (node). Panggilan ini kemudian ditransfer langsung di antara kantor-kantor lain (node) pada 1st lantai hingga siap dikirim ke lantai berikutnya. Maka panggilan harus dikirim kembali ke 1st floor switchboard, yang kemudian mentransfernya ke 2nd floor switchboard. Langkah-langkah yang sama ini mengulangi satu lantai pada satu waktu, dengan panggilan yang dikirim melalui proses ini di setiap lantai sampai ke lantai 15.
Dalam ANN, simpul (kantor) disusun berlapis-lapis (lantai bangunan). Informasi (panggilan) selalu masuk melalui lapisan input (1st lantai dan switchboard-nya) dan harus dikirim melalui dan diproses oleh setiap lapisan (lantai) sebelum dapat dipindahkan ke yang berikutnya. Setiap lapisan (lantai) memproses detail spesifik tentang panggilan itu dan mengirim hasilnya bersama dengan panggilan ke lapisan berikutnya. Ketika panggilan mencapai lapisan output (15th lantai dan switchboard-nya), itu termasuk informasi pemrosesan dari lapisan 1-14. The node (kantor) di 15th layer (lantai) menggunakan input dan memproses informasi dari semua lapisan lain (lantai) untuk menghasilkan jawaban atau resolusi (output).
Jaringan Saraf dan Pembelajaran Mesin
Jaring syaraf adalah salah satu jenis teknologi di bawah kategori pembelajaran mesin. Bahkan, kemajuan dalam penelitian dan pengembangan jaring saraf telah terhubung erat dengan pasang surut dan arus kemajuan di ML. Jaring saraf memperluas kemampuan pemrosesan data dan meningkatkan kekuatan komputasi ML, meningkatkan volume data yang dapat diproses tetapi juga kemampuan untuk melakukan tugas yang lebih kompleks.
Model komputer pertama yang didokumentasikan untuk ANNs diciptakan pada tahun 1943 oleh Walter Pitts dan Warren McCulloch. Minat awal dan penelitian dalam jaringan saraf dan pembelajaran mesin akhirnya melambat dan lebih atau kurang ditangguhkan oleh 1969, dengan hanya semburan kecil dari minat baru. Komputer pada saat itu tidak memiliki prosesor yang cukup cepat atau cukup besar untuk memajukan area ini lebih jauh, dan sejumlah besar data yang diperlukan untuk ML dan jaring saraf tidak tersedia pada saat itu.
Peningkatan besar dalam daya komputasi dari waktu ke waktu seiring dengan pertumbuhan dan perluasan internet (dan dengan demikian akses ke sejumlah besar data melalui internet) telah memecahkan tantangan awal tersebut. Jaring saraf dan ML sekarang berperan dalam teknologi yang kita lihat dan gunakan setiap hari, seperti pengenalan wajah, pemrosesan gambar dan pencarian, dan terjemahan bahasa real-time - untuk menyebut beberapa saja.
Contoh Jaringan Syaraf dalam Kehidupan Sehari-hari
JST merupakan topik yang cukup rumit dalam teknologi, namun, perlu meluangkan waktu untuk menjelajah karena semakin banyak cara itu memengaruhi kehidupan kita setiap hari. Berikut adalah beberapa contoh cara jaringan saraf saat ini digunakan oleh industri yang berbeda:
- Keuangan: Jaring syaraf digunakan untuk memprediksi nilai tukar mata uang. Mereka juga digunakan dalam teknologi di belakang sistem perdagangan otomatis yang digunakan di pasar saham.
- Obat: Kemampuan pemrosesan gambar jaring saraf telah berkontribusi pada teknologi yang membantu lebih akurat menyaring dan mendeteksi tahap awal dan sulit untuk mengidentifikasi jenis kanker. Salah satu jenis kanker tersebut adalah melanoma invasif, bentuk kanker kulit yang paling serius dan mematikan. Mengidentifikasi melanoma pada stadium awal, sebelum menyebar, memberi pasien kanker jenis ini peluang terbaik untuk mengalahkannya.
- Cuaca: Kemampuan untuk mendeteksi perubahan atmosfer yang mengindikasikan peristiwa cuaca yang berpotensi serius dan berbahaya secepat dan seakurat mungkin sangat penting untuk menyelamatkan nyawa. Jaring syaraf terlibat dalam pemrosesan real-time dari citra satelit dan radar yang tidak hanya mendeteksi pembentukan awal badai dan siklon, tetapi juga mendeteksi perubahan mendadak dalam kecepatan dan arah angin yang menunjukkan tornado. Tornado adalah beberapa peristiwa cuaca terkuat dan paling berbahaya yang tercatat - seringkali lebih mendadak, merusak, dan mematikan daripada angin topan.
