Artificial Neural Networks (ANN) :
jaringan saraf tiruan adalah fungsi yang mencakup unit (yang juga dapat disebut
neuron, perceptron, atau node). Setiap unit akan memiliki nilai dan bobot yang menunjukkan
kepentingan relatif, dan akan masuk ke lapisan tersembunyi (hidden layer).
Lapisan tersembunyi menggunakan fungsi yang hasilnya menjadi output. Ada juga
nilai lain yang disebut bias, yang merupakan konstanta dan digunakan dalam
perhitungan sebuah fungsi tertentu. Jenis pelatihan model ini disebut jaringan
saraf umpan-maju (feed-forward neural network), dari input ke lapisan
tersembunyi ke output, tidak berputar kembali. Tapi itu bisa masuk ke jaringan
saraf baru, dengan keluaran menjadi masukan.
Contoh, misalkan anda membuat model
untuk memprediksi apakah saham perusahaan akan meningkat. Berikut ini adalah
apa yang mewakili variabel serta nilai dan bobot yang diberikan : (1) X1 : pendapatan
tumbuh minimal 20% setahun, nilainya adalah 2 (2) X2 : margin keuntungan minimal 20%, nilainya
adalah 4 (3) W1 : 1.9 (4) W2 : 9.6 (5) b : bias (nilainya 1), yang membantu
kelancaran perhitungan. Langkah selanjutnya akan menjumlahkan bobotnya, lalu
fungsi akan memproses informasinya yang sering melibatkan fungsi aktivasi, yang
non-linear. Ini lebih mencerminkan dunia nyata karena data biasanya tidak dalam
garis lurus. Sekarang ada beragam fungsi aktivasi yang bisa dipilih. Salah satu
yang paling umum adalah sigmoid (fungsi sigmoid adalah fungsi matematika yang
memiliki karakteristik kurva berbentuk "S" atau kurva sigmoid. Fungsi
sigmoid adalah fungsi real terbatas, terdiferensiasi, yang didefinisikan untuk
semua nilai input real dan memiliki turunan non-negatif pada setiap titik dan tepat
satu titik belok.). Ini memampatkan nilai input ke kisaran 0-1. Semakin
mendekati 1, semakin akurat modelnya. Saat membuat grafik fungsi ini, ini akan
terlihat seperti bentuk S.
Seperti yang gambar diatas, sistemnya
relatif sederhana dan tidak akan membantu dalam model AI kelas atas. Untuk
menambahkan lebih banyak kekuatan, biasanya perlu ada beberapa lapisan
tersembunyi. Ini menghasilkan perceptron berlapis-lapis (multilayered
perceptron). Ini juga membantu untuk menggunakan backpropagation, yang
memungkinkan output dilingkari kembali ke jaringan saraf.
Sumber : T. Taulli, 2019, Artificial Intelligence Basics A Non-Technical Introduction, Apress
Comments
Post a Comment