Mengenal Perbedaan Artificial Intelligence, Machine Learning, Neural Network & Deep Learning (Part II)

5 min readMar 21, 2020

Halo teman-teman semua. Sekarang aku mau lanjutin nih dari pembahasan kita sebelumnya. Kalau di part I aku bahas tentang AI dan Machine Learning, sekarang aku mau bahas salah satu algoritma dari Machine Learning yaitu Jaringan Syaraf Tiruan (JST) atau kita bisa menyebutnya dengan Neural Network. Catatan bagi teman-teman sebelum baca ini, lebih baik sudah terlebih dahulu baca pembahasan kita tentang AI dan ML yaaaa 😁😁..

Artificial Neural Network

Dengan berkembangnya teknologi AI, munculah berbagai algoritma machine learning. Salah satunya yang cukup menarik adalah neural network atau jaringan syaraf tiruan (JST). Neural network diinspirasi dari cara kerja otak manusia yang disederhanakan. Jaringan Syaraf Tiruan (JST) adalah prosesor yang terdistribusi besar-besaran secara parallel yang dibuat dari unit proses sederhana, yang mempunyai kemampuan untuk menyimpan pengetahuan berupa pengalaman dan dapat digunakan untuk proses lain [1]. Gambar dibawah adalah ilustrasi neuron dengan model matematisnya.

**Perbandingan neuron dan model artificial neuron**

Perceptron

Pada tahun 1943, Warren McCulloch dan Walter Pitts memperkenalkan model artificial neuron yang disebut Threshold Logic Unit (TLU) atau Linear Threshold Unit. Mereka mencoba menirukan cara kerja neuron otak manusia yang sangat kompleks melalui fungsi matematika yang diilustrasikan dalam bentuk model diagram berikut ini.

Neuron dapat menerima beberapa input pada saat bersamaan (parallel). Setiap input akan diberi bobot (weight), yang disimbolkan dengan w. Input dihubungkan dengan hidden layer secara fully connected. Masing-masing input yang sudah diberi bobot kemudian dijumlahkan (weighted sum/ summation) [2]. Rumusnya sebagai berikut

Weighted sum dikerjakan pada setiap hidden layer node. Hasil penjumlahan kemudian ditransformasikan menggunakan sebuah fungsi nonlinear yang disebut Activation Function. Nilai fungsi aktivasi (keluaran model jaringan) dapat dipakai sebagai dasar untuk mengubah bobot [3]. Fungsi aktifasi mengikuti aturan sebagai berikut :

· Jumlah bobot sinyal input dibandingkan dengan ambang batas untuk menentukan neuron output.
· Jika jumlah lebih besar atau sama dengan ambang batas, outputnya adalah 1.
· Jika jumlah kurang dari ambang batas, outpunya adalah 0.

Kaitan antara input, hidden layer dan output dapat dilihat dalam arsitektur neural network.

Salah satu kelemahan model artificial neuron (yang diusulkan oleh Warren McCulloch dan Walter Pitts) adalah tidak ada aturan bagaimana melakukan training (disebut training rule). Pada akhir 1950-an, Frank Rosenblatt dan beberapa peneliti lain mengembangkan suatu model artificial neuron lain yang disebut Perceptrons. Secara umum perceptron mirip dengan model TLU, tetapi pada perceptron sudah ada training rule. Selain itu, ada tambahan Bias pada weighted sum.

Activation function berfungsi untuk menentukan apakah neuron tersebut harus aktif atau tidak berdasarkan dari weighted sum dari input. Menurut Haykin (2009), ada 2 jenis activation function, yaitu Linear dan Non-Linear Activation Function.

Training Rule

Secara umum, proses learning terdiri dari 2 tahap, yaitu Training dan Evaluation. Pada tahap training setiap weight dan bias pada setiap neuron akan diupdate terus menerus hingga output yang dihasilkan sesuai dengan harapan. Pada tiap iterasi akan dilakukan proses evaluation yang biasanya digunakan untuk menentukan kapan harus mengehentikan proses training (Stopping Point)[2]. Proses training terdiri dari 2 tahap :

1. Forward Pass.

Biasa disebut juga forward propagation adalah proses dimana kita membawa data pada input melewati tiap neuron pada hidden layer kepada output layer melewati tiap neuron pada hidden layer sampai kepada output layer yang nanti akan dihitung errornya dengan menggunakan fungsi yang disebut Loss Function. Loss Function digunakan untuk mengukur seberapa bagus performa dari neural network kita dalam melakukan prediksi terhadap target.

2. Backward Pass.

Biasa disebut juga dengan Backpropagation dimana proses ini bermaksud untuk menyesuaikan kembali tiap weight dan bias berdasarkan error yang didapat pada saat forward pass. Kedua proses ini akan dilakukan berulang-ulang sampai didapatkan nilai weight dan bias yang dapat memberikan nilai error sekecil mungkin padaa ouput layer.

SLP dan MLP Model

SLP (Single Layer Perception) adalah model paling sederhana dimana hanya mampu mempelajari separable patterns secara linear.[4] SLP cukup bermanfaat untuk membedakan input menjadi 2 class. Hampir mirip dengan K-Means namun jauh lebih sederhana karena hanya melibatkan dua buah class saja. Dapat dikatakan untuk sebuah metode yang dapat digolongkan sebagai AI, memang SLP terkesan kurang cerdas.

MLP (Multi Layer Perception) merupakan pengembangan dari SLP dimana numlah neuron yang semakin banyak membuat banyak perhitungan yang harus dikerjakan pada setiap layer. Akibatnya weighted sum dan function activation pun akan semakin kompleks. Penambahan layer ini terjadi pada hidden layer. Hidden layer pada MLP dapat mengandung beberapa hidden layer lainnya. MLP ini juga yang menjadi cikal bakal metode deep learning. Sebagai ilustrasi, perhatikan diagram MLP dibawah.

Jadi itu adalah pembahasan tentang Jaringan Syaraf Tiruan. Di part selanjutnya aku akan bahas tentang salah satu jenis dari Multilayer Perception, yaitu Deep Learning. Aku akan jelaskan juga beberapa algoritma Deep Learning yang terkenal dan paling sering dan paling banyak dipakai programmer saat ini.

Full Stories :

Sumber :

Haykin. S. 2009. Neural Networks and Learning Machines. United State of America: Pearson.
Primartha, Rifkie. (2018). Belajar Machine Learning Teori dan Praktik. Bandung: Informatika.
Siang, JJ. 2004. Aplikasi Jaringan Syaraf Tiruan dan Pemrograman Menggunakan MATLAB. Yogyakarta: Andi.
Gallant, S.I.(1990). Perceptron-based learning algorithms. IEEE Transactions on Neural Networks, vol. 1, no. 2, pp. 179–191.