Apa itu jaringan neural?

Jaringan neural adalah metode dalam kecerdasan buatan yang mengajarkan komputer
untuk memproses data dengan cara yang terinspirasi dari otak manusia. Jaringan neural
adalah tipe proses machine learning, yang disebut deep learning, yang menggunakan
simpul atau neuron yang saling terhubung dalam struktur berlapis yang menyerupai otak
manusia. Jaringan neural menciptakan sistem adaptif yang digunakan oleh komputer
untuk belajar dari kesalahannya dan memperbaikinya secara terus-menerus. Oleh
karena itu, jaringan neural buatan berusaha untuk memecahkan masalah yang rumit,
seperti meringkas dokumen atau mengenali wajah, dengan akurasi yang lebih tinggi.

Mengapa jaringan neural penting?

Jaringan neural dapat membantu komputer membuat keputusan cerdas dengan bantuan
manusia yang terbatas. Keputusan cerdas dapat dibuat karena jaringan neural dapat
mempelajari dan memodelkan hubungan antara data input dan output yang nonlinier dan
kompleks. Misalnya, jaringan neural dapat melakukan tugas-tugas berikut.

Membuat generalisasi dan inferensi

Jaringan neural dapat memahami data tidak terstruktur dan melakukan pengamatan
umum tanpa pelatihan eksplisit. Misalnya, jaringan neural dapat mengenali bahwa dua
kalimat input yang berbeda memiliki arti yang sama:

 Apakah Anda dapat memberi tahu saya cara melakukan pembayaran?

 Bagaimana cara mentransfer uang?

Jaringan neural akan mengetahui bahwa kedua kalimat tersebut memiliki arti yang
sama. Atau akan dapat mengenali secara luas bahwa Baxter Road adalah sebuah
tempat, tetapi Baxter Smith adalah nama seseorang.

Apa kegunaan jaringan neural?

Jaringan neural memiliki beberapa kasus penggunaan di banyak industri, seperti berikut
ini:

 Diagnosis medis dengan klasifikasi citra medis

 Pemasaran yang ditargetkan dengan pemfilteran jaringan sosial dan analisis data
perilaku

 Prediksi keuangan dengan memproses data historis dari instrumen keuangan

 Prakiraan beban listrik dan permintaan energi

 Proses dan kontrol kualitas

 Identifikasi senyawa kimia

Kami menyajikan empat aplikasi penting dari jaringan neural di bawah ini.

Penglihatan komputer
 Penglihatan komputer adalah kemampuan komputer untuk mengekstraksi informasi dan
wawasan dari citra dan video. Dengan jaringan neural, komputer dapat membedakan
dan mengenali citra yang mirip dengan manusia. Penglihatan komputer memiliki
beberapa aplikasi, seperti berikut ini:

 Pengenalan visual pada mobil kemudi otomatis sehingga dapat mengenali rambu-rambu
lalu lintas dan pengguna jalan lainnya

 Moderasi konten untuk menghapus konten yang tidak aman atau tidak pantas secara
otomatis dari arsip citra dan video

 Pengenalan wajah untuk mengidentifikasi wajah dan mengenali atribut seperti mata
terbuka, kacamata, dan rambut di wajah

 Pelabelan citra untuk mengidentifikasi logo merek, pakaian, perlengkapan keselamatan,

dan detail citra lainnya

Pengenalan suara

Jaringan neural dapat menganalisis ucapan manusia meskipun pola bicara, tinggi
rendah suara, nada, bahasa, dan aksennya berbeda-beda. Asisten virtual seperti Amazon
Alexa dan perangkat lunak transkripsi otomatis menggunakan pengenalan suara untuk
melakukan tugas berikut ini:

 Membantu agen pusat panggilan dan mengklasifikasikan panggilan secara otomatis

 Mengubah percakapan klinis menjadi dokumentasi secara waktu nyata

 Mengonversi suara ke dalam teks pada video dan rekaman rapat secara akurat untuk
jangkauan konten yang lebih luas

Pemrosesan bahasa alami

Pemrosesan bahasa alami (NLP) adalah kemampuan untuk memproses teks alami yang
dibuat oleh manusia. Jaringan neural membantu komputer untuk mengumpulkan
wawasan dan makna dari data teks serta dokumen. NLP memiliki beberapa kasus
penggunaan, diantaranya dalam fungsi-fungsi ini:

 Agen virtual dan chatbot otomatis

 Organisasi dan klasifikasi otomatis data tertulis

 Analisis kecerdasan bisnis dari dokumen dalam format panjang seperti email dan
formulir

 Pengindeksan frasa kunci yang menunjukkan sentimen, seperti komentar positif dan
negatif di media sosial

 Peringkasan dokumen dan pembuatan artikel untuk topik tertentu

Mesin rekomendasi

Jaringan neural dapat melacak aktivitas pengguna untuk mengembangkan rekomendasi

yang dipersonalisasi. Jaringan neural juga dapat menganalisis semua perilaku pengguna
dan menemukan produk atau layanan baru yang menarik minat pengguna tertentu.
Misalnya, Curalate, perusahaan rintisan yang berbasis di Philadelphia, membantu
merek-merek mengubah postingan media sosial menjadi penjualan. Merek menggunakan
layanan penandaan produk cerdas (IPT) milik Curalate untuk mengotomatiskan
pengumpulan dan kurasi konten sosial yang dibuat pengguna. IPT menggunakan
jaringan neural untuk secara otomatis menemukan dan merekomendasikan produk yang
relevan dengan aktivitas media sosial pengguna. Konsumen tidak perlu berburu melalui
katalog online untuk menemukan produk tertentu dari citra di media sosial. Sebagai
gantinya, konsumen dapat menggunakan penandaan produk otomatis milik Curalate
untuk membeli produk dengan mudah.

Bagaimana cara kerja jaringan neural?

Otak manusia adalah inspirasi di balik arsitektur jaringan neural. Sel-sel otak manusia,
yang disebut neuron, membentuk jaringan yang kompleks dan saling terhubung, serta
mengirimkan sinyal listrik satu sama lain untuk membantu manusia memproses
informasi. Demikian pula, jaringan neural buatan terbuat dari neuron buatan yang
bekerja sama untuk memecahkan masalah. Neuron buatan adalah modul perangkat
lunak, yang disebut simpul, dan jaringan neural buatan adalah program perangkat lunak
atau algoritme yang, pada intinya, menggunakan sistem komputasi untuk
menyelesaikan perhitungan matematis.

Arsitektur jaringan neural sederhana

Jaringan neural dasar memiliki neuron buatan yang saling terhubung dalam tiga lapisan:

Lapisan Input

Informasi dari dunia luar memasuki jaringan neural buatan dari lapisan input. Simpul
input memproses data, menganalisis atau mengategorikannya, dan meneruskannya ke
lapisan berikutnya.

Lapisan Tersembunyi

Lapisan tersembunyi mengambil inputnya dari lapisan input atau lapisan tersembunyi
lainnya. Jaringan neural buatan dapat memiliki lapisan tersembunyi dalam jumlah yang
besar. Setiap lapisan tersembunyi menganalisis output dari lapisan sebelumnya,
memprosesnya lebih lanjut, dan meneruskannya ke lapisan berikutnya.

Lapisan Output

Lapisan output memberikan hasil akhir dari semua pemrosesan data oleh jaringan
neural buatan. Lapisan output dapat memiliki satu atau beberapa simpul. Misalnya, jika
kita memiliki masalah klasifikasi biner (ya/tidak), lapisan ouput akan memiliki satu
simpul output, yang akan mengeluarkan hasilnya sebagai 1 atau 0. Namun, jika kita
memiliki masalah klasifikasi multi-kelas, lapisan output mungkin terdiri dari lebih dari
satu simpul output.

Arsitektur jaringan neural dalam

Jaringan neural dalam, atau jaringan deep learning, memiliki beberapa lapisan
tersembunyi dengan jutaan neuron buatan yang saling terhubung. Sebuah angka, yang
disebut bobot, mewakili hubungan antara satu simpul dengan simpul lainnya. Bobot
adalah bilangan positif jika satu simpul membangkitkan yang lain, atau negatif jika satu
simpul menekan yang lain. Simpul dengan nilai bobot yang lebih tinggi memiliki
pengaruh yang lebih besar pada simpul lainnya.
 Secara teoritis, jaringan neural dalam dapat memetakan setiap tipe input ke tipe output
tertentu. Namun, jaringan neural juga membutuhkan lebih banyak pelatihan
dibandingkan dengan metode machine learning lainnya. Jaringan neural membutuhkan
jutaan contoh data pelatihan dibandingkan mungkin ratusan atau ribuan contoh yang
dibutuhkan oleh jaringan yang lebih sederhana.

Apa saja tipe-tipe jaringan neural?

Jaringan neural buatan dapat dikategorikan berdasarkan cara data mengalir dari simpul
input ke simpul output. Di bawah ini adalah beberapa contoh:

Jaringan neural feedforward

Jaringan neural feedforward memproses data dalam satu arah, dari simpul input ke
simpul output. Setiap simpul dalam satu lapisan terhubung ke setiap simpul di lapisan
berikutnya. Jaringan feedforward menggunakan proses umpan balik untuk
meningkatkan prediksi dari waktu ke waktu.

Algoritme backpropagation

Jaringan neural buatan terus belajar menggunakan putaran umpan balik korektif untuk
meningkatkan analitik prediktifnya. Secara sederhana, Anda dapat membayangkan data
yang mengalir dari simpul input ke simpul output melalui banyak jalur yang berbeda di
jaringan neural. Hanya satu jalur yang benar yang memetakan simpul input ke simpul
output yang benar. Untuk menemukan jalur ini, jaringan neural menggunakan putaran
umpan balik, yang bekerja dengan cara sebagai berikut:

1. Setiap simpul menebak simpul berikutnya di jalur tersebut.

2. Setiap simpul memeriksa apabila tebakannya benar. Simpul menetapkan nilai bobot
yang lebih tinggi ke jalur yang mengarah ke tebakan yang lebih benar dan nilai bobot
yang lebih rendah ke jalur simpul yang mengarah ke tebakan yang salah.

3. Untuk titik data berikutnya, simpul tersebut membuat prediksi baru menggunakan jalur
bobot yang lebih tinggi lalu mengulangi Langkah 1.

Jaringan neural konvolusional

Lapisan tersembunyi dalam jaringan neural konvolusional melakukan fungsi matematika

tertentu, seperti meringkas atau memfilter, yang disebut konvolusi. Jaringan neural
sangat berguna untuk klasifikasi citra karena dapat mengekstraksi fitur yang relevan
dari citra dan berguna untuk pengenalan serta klasifikasi citra. Format yang baru lebih
mudah diproses tanpa kehilangan fitur yang penting untuk membuat prediksi yang baik.
Setiap lapisan tersembunyi mengekstraksi dan memproses fitur citra yang berbeda,
seperti tepi, warna, dan kedalaman.

Bagaimana cara melatih jaringan neural?

Pelatihan jaringan neural adalah proses mengajarkan jaringan neural untuk melakukan
tugas. Jaringan neural awalnya belajar dengan memproses beberapa set data berlabel
atau tidak berlabel dalam jumlah besar. Dengan menggunakan contoh-contoh ini,
jaringan neural kemudian dapat memproses input yang tidak diketahui dengan lebih
akurat.

Pembelajaran yang diawasi

Dalam pembelajaran yang diawasi, ilmuwan data memberikan set data berlabel kepada
jaringan neural buatan yang menyediakan jawaban yang benar terlebih dahulu.
Misalnya, pelatihan jaringan deep learning dalam pengenalan wajah pada awalnya
memproses ratusan ribu citra wajah manusia, dengan berbagai istilah yang terkait
dengan asal-usul etnis, negara, atau emosi yang menggambarkan setiap citra.

Jaringan neural membangun pengetahuan dari set data ini secara perlahan, yang
memberikan jawaban yang benar terlebih dahulu. Setelah jaringan dilatih, jaringan mulai
menebak-nebak asal-usul etnis atau emosi dari citra baru wajah manusia yang belum
pernah diproses sebelumnya.

Apa yang dimaksud dengan deep learning dalam

konteks jaringan neural?
Kecerdasan buatan adalah bidang ilmu komputer yang meneliti metode pemberian
kemampuan pada mesin untuk melakukan tugas yang membutuhkan kecerdasan
manusia. Machine learning adalah teknik kecerdasan buatan yang memberikan akses
komputer ke set data yang sangat besar dan membimbingnya untuk belajar dari data ini.
Perangkat lunak machine learning menemukan pola dalam data yang sudah ada dan
menerapkan pola tersebut ke data baru untuk membuat keputusan yang cerdas. Deep
learning adalah bagian dari machine learning yang menggunakan jaringan deep learning
untuk memproses data.

Machine learning vs. deep learning

 Metode machine learning tradisional memerlukan input manusia agar perangkat lunak
machine learning bekerja dengan cukup baik. Seorang ilmuwan data menentukan set
fitur relevan secara manual yang harus dianalisis oleh perangkat lunak. Ilmuwan data
ini membatasi kemampuan perangkat lunak, sehingga menjadikannya tidak menarik
untuk dibuat dan dikelola.

Di sisi lain, dalam deep learning, ilmuwan data hanya memberikan data mentah ke
perangkat lunak. Jaringan deep learning memperoleh fitur dengan sendirinya dan
belajar lebih mandiri. Jaringan deep learning dapat menganalisis set data yang tidak
terstruktur seperti dokumen teks, mengidentifikasi atribut data yang diprioritaskan, dan
memecahkan masalah yang lebih kompleks.

Misalnya, jika Anda melatih perangkat lunak machine learning untuk mengidentifikasi
citra hewan peliharaan dengan benar, Anda perlu mengambil langkah-langkah berikut:

 Cari dan beri label ribuan citra hewan peliharaan, seperti kucing, anjing, kuda, hamster,
burung beo, dan sebagainya, secara manual.

 Beri tahu perangkat lunak machine learning tentang fitur yang harus dicari sehingga
dapat mengidentifikasi citra menggunakan eliminasi. Misalnya, menghitung jumlah kaki,
kemudian memeriksa bentuk mata, bentuk telinga, ekor, bulu, dan sebagainya.

 Menilai dan megubah set data berlabel secara manual untuk meningkatkan akurasi
perangkat lunak. Misalnya, jika set pelatihan Anda memiliki terlalu banyak citra kucing
hitam, perangkat lunak akan mengidentifikasi kucing hitam dengan benar tetapi tidak
dengan kucing putih.

 Namun, dalam deep learning, jaringan neural akan memproses semua citra dan
menentukan secara otomatis bahwa jaringan neural perlu menganalisis jumlah kaki dan
bentuk wajah terlebih dahulu, kemudian terakhir melihat ekor untuk mengidentifikasi
hewan dalam citra dengan benar.