School of Information Systems

Mengenal 3 Jenis Neural Network Pada Deep Learning

Sebelum masuk ke dalam pembahasan 3 jenis Neural Network pada Deep Learning, sebenarnya apa sih Neural Network itu? Singkatnya, Neural Network ini mewakili Deep Learning dalam menggunakan Artificial Intelligence. Selain itu, Neural Networks dapat diartikan juga sebagai seperangkat algoritma yang dirancang untuk mengenali sebuah pola dengan meniru otak manusia dan dapat menafsirkan data sensorik melalui pelabelan atau pengelompokkan data yang masih mentah. Pola yang dapat dikenali oleh Neural Network adalah numerik yang ada pada vektor dan semua data yang ada baik itu gambar, suara, teks atau waktu. Namun, semua data tersebut perlu diterjemahkan terlebih dahulu.

Dalam Deep Learning terdapat tiga jenis Neural Network yang membentuk dasar bagi sebagian besar model yaitu Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), dan Recurrent Neural Networks (RNN). Berikut untuk masing-masing penjelasannya:

  • Artificial Neural Networks (ANN)

Artificial Neural Network (ANN) atau Jaringan Saraf Tiruan merupakan salah satu Neural Network yang paling umum dikenal dan diartikan sebagai 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. 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. Namun, Artificial Neural Network juga memiliki kelemahan dimana adanya ketergantungan terhadap hardware dan 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.

  • Convolutional Neural Networks (CNN)

Salah satu model terpopuler dalam Deep Learning saat ini adalah Convolutional Neural Network (CNN). Model CNN ini digunakan diberbagai aplikasi dan domain, serta sangat lazim digunakan dalam proyek pemrosesan gambar dan video. Hal tersebut dikarenakan model komputasi CNN ini menggunakan variasi perceptron multilayer yang saling berhubungan dan lapisan convolutional akan merekam wilayah gambar yang telah di input dan mengirimkannya untuk pemrosesan nonlinier. Penggunaan CNN memberikan beberapa keuntungan diantaranya Convolutional Neural Network ini memiliki akurasi yang sangat tinggi dalam masalah pengenalan gambar. Selain itu, CNN juga dapat mempelajari filter secara otomatis tanpa menyebutkannya secara eksplisit. Dimana filter tersebut, dapat membantu mengektraksi fitur yang tepat dan relevan dari data yang telah di input. Namun, CNN juga memiliki kekurangan diantaranya, kurangnya kemampuan untuk menjadi invarian secara spasial terhadap data input, membutuhkan banyak data pelatihan, dan overfitting. Overfitting dapat terjadi dikarenakan terlalu banyak data pelatihan maka algoritma kehilangan kemampuan untuk menggeneralisasi data tersebut. Selain itu, sama seperti ANN dimana CNN juga membutuhkan pelatihan dalam waktu yang lama.

  • Recurrent Neural Networks (RNN)

Recurrent Neural Network (RNN) atau biasa disebut Jaringan Saraf Berulang merupakan model yang lebih kompleks dibandingkan dengan ANN dan CNN. Dimana Recurrent Neural Network akan menyimpan output dari node pemrosesan dan memasukkan hasilnya kembali ke dalam model atau dapat diartikan bahwa informasi yang diteruskan tidak dalam satu arah saja melainkan melalui dua arah. Setiap node dalam model RNN bertindak sebagai sel memori yang berguna untuk melanjutkan komputasi dan implementasi operasi. Jika prediksi jaringan salah, maka sistem akan mempelajarinya sendiri dan terus bekerja menuju prediksi yang benar selama backpropagation. Backpropagation ini adalah salah satu algoritma dalam Neural Network yang berfungsi untuk melakukan proses pembelajaran terarah guna mencari beban pada setiap neuron yang menghasilkan nilai kesalahan seminimal mungkin melalui data pembelajaran yang diberikan. Salah satu kelebihan dari RNN adalah mereka menangkap setiap informasi yang ada dalam data input secara sekuensial dan RNN juga dapat digunakan dengan lapisan convolutional untuk memperluas lingkungan piksel yang efektif. Namun, RNN juga dapat mengalami masalah menghilang dan meledaknya gradien yang merupakan masalah umum disemua jenis Neural Network yang berbeda. Selain itu, RNN juga tidak dapat memproses urutan yang sangat panjang jika menggunakan tanh atau relu sebagai fungsi aktivasi. Dikarenakan, model RNN sangat kompleks, maka dalam melakukan training RNN adalah tugas yang sangat sulit dibandingkan dengan ANN dan CNN.

Source:

https://wiki.pathmind.com/neural-network

https://www.mygreatlearning.com/blog/types-of-neural-networks/

https://www.geeksforgeeks.org/difference-between-ann-cnn-and-rnn/

https://www.analyticsvidhya.com/blog/2020/02/cnn-vs-rnn-vs-mlp-analyzing-3-types-of-neural-networks-in-deep-learning/

Nur Anisa