Apa Itu Neural Network? Ini Pengertian, Cara Kerja, dan Jenisnya

Volubit.id — Neural network, atau artificial neural network, adalah jenis arsitektur komputasi yang dirancang seperti cara kerja otak manusia. Neural network terdiri dari sekumpulan unit pemrosesan yang disebut node, yang saling meneruskan data, mirip dengan cara neuron dalam otak mengirimkan impuls satu sama lain.

Neural network banyak digunakan dalam machine learning dan deep learning bagi model kecerdasan buatan (AI) untuk bisa menarik kesimpulan dari data tanpa label, bahkan tanpa campur tangan manusia.

Neural network merupakan fondasi utama di balik banyak sistem AI modern yang digunakan saat ini, seperti Large Language Models (LLM) seperti ChatGPT hingga image generator AI seperti DALL-E.

Sebenarnya, konsep neural network sudah ada sejak lama. Gagasan ini pertama kali muncul dalam sebuah makalah matematika pada 1943 yang mencoba memodelkan bagaimana otak manusia bekerja.

Pada 1950-an dan 1960-an, ilmuwan komputer mulai mencoba membangun neural network sederhana. Namun, seiring waktu, minat terhadap konsep ini sempat meredup.

Baru pada era 1980-an, konsep neural network kembali hidup, dan pada 1990-an, penggunaannya mulai meluas dalam riset kecerdasan buatan (AI). Meskipun begitu, kemajuan besar baru benar-benar terjadi setelah hadirnya teknologi pemrosesan super cepat, kapasitas penyimpanan data yang sangat besar, dan akses terhadap sumber daya komputasi yang mumpuni.

Kombinasi inilah yang memungkinkan neural network berkembang pesat hingga bisa meniru dan bahkan dalam beberapa kasus, melampaui kemampuan kognitif manusia. Salah satu jenis neural network paling penting yang digunakan saat ini, yaitu transformer, yang baru diperkenalkan pada 2017.

Cara Kerja Neural Network

Program ini bekerja dengan meniru bagaimana neuron-neuron biologis saling terhubung dan berinteraksi untuk mengenali sesuatu, mempertimbangkan pilihan, lalu mengambil kesimpulan.

Neural network terdiri dari kumpulan node (unit pemrosesan) yang tersebar di setidaknya tiga lapisan utama, seperti dikutip dari Cloudflare, yaitu:

1. Input layer (lapisan masukan)
2. Hidden layer (lapisan tersembunyi)
3. Output layer (lapisan keluaran)

Tiga lapisan ini adalah struktur minimum dalam neural network, namun dalam praktiknya, jaringan ini bisa memiliki banyak hidden layer untuk memproses data yang lebih kompleks.

Setiap node di dalam jaringan melakukan tugas pemrosesan terhadap data yang diterimanya, baik itu dari node sebelumnya ataupun langsung dari input layer. Secara sederhana, setiap node memiliki semacam rumus matematis, di mana setiap variabel dalam rumus tersebut memiliki bobot (weight) yang berbeda-beda.

Setelah rumus tersebut dijalankan dengan data input, hasilnya akan dibandingkan dengan ambang batas tertentu (threshold). Jika hasilnya melebihi ambang batas, data akan diteruskan ke lapisan berikutnya. Jika tidak, data tidak akan diteruskan.

Neural network belajar dari data pelatihan untuk meningkatkan akurasinya seiring waktu. Setelah dilatih dan disesuaikan dengan baik, neural network bisa menjadi alat yang sangat kuat dalam bidang ilmu komputer dan kecerdasan buatan.

Misalnya, proses seperti pengenalan suara atau pengenalan gambar bisa dilakukan dalam hitungan menit, jauh lebih cepat dibandingkan jika dikerjakan secara manual oleh manusia. Salah satu contoh paling terkenal dari penerapan neural network adalah algoritma pencarian Google.

Neural network juga sering disebut sebagai artificial neural network (ANN) atau simulated neural network (SNN). Keduanya merupakan bagian dari machine learning, dan menjadi inti dari banyak model deep learning.

Jenis-Jenis Neural Network

Dilansir dari ibm.com, neural network memiliki berbagai jenis, yang masing-masing digunakan untuk keperluan yang berbeda. Berikut ini adalah beberapa jenis neural network yang paling umum dan sering dijumpai dalam berbagai aplikasi kecerdasan buatan:

1. Perceptron

Perceptron adalah bentuk neural network paling awal, yang dikembangkan oleh Frank Rosenblatt pada 1958. Model ini sangat sederhana dan hanya terdiri dari satu lapisan sehingga cocok untuk masalah-masalah dasar yang bersifat linier.

Namun, karena keterbatasannya dalam menangani masalah kompleks, perceptron jarang digunakan dalam aplikasi modern.

2. Feedforward Neural Networks (FNN) / Multi-Layer Perceptrons (MLP)

Ini adalah jenis neural network yang paling umum. Struktur jaringan ini terdiri dari lapisan input, satu atau lebih hidden layer, dan lapisan output.

Meskipun sering disebut multi-layer perceptrons, jaringan ini sebenarnya menggunakan sigmoid neurons atau neuron dengan fungsi aktivasi nonlinier, karena sebagian besar masalah dunia nyata bersifat nonlinier.

Model ini dilatih dengan memasukkan data, dan digunakan secara luas dalam berbagai bidang seperti computer vision dan natural language processing (NLP).

3. Convolutional Neural Networks (CNN)

CNN adalah jenis neural network yang banyak digunakan untuk pengenalan gambar, deteksi pola, dan computer vision. CNN mirip dengan feedforward network, tetapi memiliki struktur khusus yang memungkinkan jaringan ini mengenali pola visual secara efisien.

CNN menggunakan konsep dari aljabar linier, terutama perkalian matriks (matrix multiplication), untuk memproses dan mengenali fitur dalam gambar seperti tekstur dan bentuk.

4. Recurrent Neural Networks (RNN)

RNN memiliki ciri khas berupa feedback loops, yang memungkinkan jaringan ini mengingat informasi dari input sebelumnya. Karena itulah RNN sangat cocok digunakan pada data berurutan (sekuensial), seperti time-series, prediksi pasar saham, perkiraan penjualan, dan pemrosesan teks atau ucapan yang memiliki konteks berurutan.

RNN mampu mempertahankan “ingatan” jangka pendek tentang apa yang terjadi sebelumnya sehingga sangat berguna untuk membuat prediksi berdasarkan data historis.