Mengenal Artificial Neural Network
Dalam melakukan pemodelan prediktif, terdapat beberapa teknik yang paling banyak digunakan seperti Decision Tree, Regression, dan Neural Network. Kali ini kita akan membahas lebih dalam salah satu pemodelan prediktif yaitu Neural Network. Neural Network merupakan model algoritma yang mencoba meniru otak manusia yang mampu memberikan stimulasi/rangsangan, melakukan proses, dan memberikan output untuk menemukan hubungan antara kumpulan data. Neural Network yang paling umum dikenal dengan Artificial Neural Network atau biasa disebut sebagai Jaringan Saraf Tiruan.
Artificial Neural Network (ANN) atau Jaringan Saraf Tiruan merupakan salah satu pemodelan kompleks yang dapat memprediksi bagaimana ekosistem merespon perubahan variabel lingkungan dengan terinspirasi oleh cara kerja sistem saraf biologis, khususnya pada sel otak manusia dalam memproses informasi. Algoritma yang paling populer digunakan oleh ANN adalah supervised learning. Namun, hal tersebut tidak menutup kemungkinan bahwa ANN dapat digunakan untuk algoritma semi-supervised dan unsupervised learning. Dikarenakan model ANN terinspirasi oleh sistem saraf biologis manusia, arsitekturnya pun dibuat seperti struktur otak manusia dimana terdiri dari neuron yang saling terhubung satu sama lain dan bentuk yang kompleks dan nonlinier.
Neuron didalam tubuh manusia dibagi menjadi 3 bagian yaitu dendrites, cell body, dan axon. Dimana dendrites yaitu sebuah sinyal masukan dan dipengaruhi oleh weight (bobot), cell body adalah tempat komputasi sinyal yang masuk dan weight (bobot) sendiri menghasilkan sinyal output yang akan dikirimkan ke neuron lain. Sedangkan axon adalah bagian yang mengirimkan sinyal output kepada neuron lain yang terhubung dengannya. Berdasarkan penjelasan tersebut ANN dapat direpresentasikan menjadi 3 bagian yang terdiri dari layer masukan (input) dan layer keluar (output), dan layer tersembunyi yang memproses masukan dari layer masukan menjadi sesuatu yang dapat diterima layer keluaran. Kemudian hasil dari masing-masing layer tersembunyi ini disebut activation atau node value. Berikut ini adalah penggambaran dari ANN:
Sumber: medium.com
Artificial Neural Network ini memiliki kemampuan yang luar biasa untuk mendapatkan informasi dari data yang rumit atau tidak tepat sehingga permasalahan yang tidak terstruktur dan sulit didefinisikan dapat diatasi. Selain itu, ANN juga memiliki kemampuan untuk melakukan perhitungan secara paralel sehingga proses komputasi menjadi lebih cepat dan dapat membangun representasi dari informasi yang diterimanya selama proses pembelajaran secara mandiri. Namun, Artificial Neural Network memiliki kelemahan dimana tidak efektif jika digunakan untuk melakukan operasi-operasi numerik dengan presisi tinggi dan membutuhkan pelatihan dalam waktu yang lama jika jumlah data yang diolah besar.
Source:
https://dosen.perbanas.id/artificial-neural-network/
https://wiragotama.github.io/resources/ebook/parts/JWGP-intro-to-ml-part3-secured.pdf
https://fkmtfindonesia.or.id/artificial-neural-network/
Sadiq, R., Rodriguez, M. J., & Mian, H. R. (2019). Empirical models to predict disinfection by-products (DBPs) in drinking water: An updated review. In Encyclopedia of Environmental Health (2nd ed., Issue April). Elsevier Inc. https://doi.org/10.1016/B978-0-12-409548-9.11193-5