Kecerdasan buatan dengan Neural Network part 1

Kecerdasan buatan dengan Neural Network part 1

Kecerdasan buatan dengan Neural Network part 1

Sharing is caring!

Adakah yang kenal neural network?

Neural network atau yang dikenal dengan Jaringan Syaraf Tiruan (JST) adalah komputasi yang terinspirasi dari jaringan syaraf. JST banyak digunakan dalam supervised learning ataupun unsupervised learning. JST dibangun dari data-data yang dilatih (training) dengan menggunakan fungsi aktivasi untuk mendapatkan bobot dan bias melalui network.

Bagaimana cara kerjanya?

Cara kerjanya, pertama siapkan data training. Misalnya kita akan mengenali obyek citra tomat matang, semi matang dan mentah. Langkah pertama ekstraksi fitur citra dalam bentuk RGB, kalau butuh kompresi gunakan teknik kompresi citra yang biasa digunakan seperti Principal Component Analysis (PCA). Setelah di ekstrak dalam bentuk fiture bisa Red, Green, Blue atau olahan lain (Baca buku pengolahan citra). Kemudian hasil nya di training, training ini ibaratnya latihan mengenali obyek; jadi kalau ada fitur seperti ini dikenali sebagai <MATANG> atau <SEDANG> atau <MENTAH>.

Setelah training dengan backpropagation maka bobot-bobot pada hidden neuron akan terisi termasuk bias.

Setelah training lalu? 

Setelah training maka anda akan dapat bobot-bobot terbaik dari neural network yang anda bangun. Dengan aktivasi fungsi yang sudah ditentukan anda akan dapat mengenali obyek. Tentu, dalam kasus pengenalan tomat seperti diatas perlu dilakukan pre-processing obyek yang akan dikenali.

Untuk apa?

Pengenalan obyek banyak manfaatnya dalam kehidupan kita sehari-hari. Ratusan jurnal dan konferensi telah sukses memanfaatkan JST. Bahkan dalam membangun mesin sortasi otomatis JST juga bisa dimanfaatkan.

Apa yang penting dan kritis dalam JST? 

Ibarat kita mengajari anak kecil membaca, maka sebanyak apa kita mengulang pembelajaran. Sebut saja si anak belajar mengenali Huruf A, maka dalam tulisan A itu bisa ditulis: a, A, aa dan berbagai variasi huruf A pada tulisan dan karakter. Si anak dengan karakter apapun dia akan bisa menjawab, setelah dilatih. Begitupun si JST ini, dia hanya akan mengenali obyek yang sudah dilatih pada tahap training tadi.

Berapa banyak Input node, Hidden Layer dan output layer? 

Pertanyaan ini sering muncul dari peneliti, berdasarkan pengalaman saya tidak ada aturan baku. Ada teman mengatakan Input node <= node pada hidden layer 1. Ya, silahkan dicoba dan cek saja akurasinya. Kalau akurasinya sudah bagus, Tidak ada masalah. Kemudian hidden layer yang banyak umumnya lebih bagus dalam mengenali obyek, terutama pada saat mengenali obyek yang cukup kompleks.

Deep Neural Network (Deep Learning)? Apa bedanya 

Kalau saya lihat dari pekembangan JST, Deep learning adalah pengembangan dari JST, dimana hidden layer yang digunakan cukup banyak sehingga dapat mengenali obyek lebih baik. Banyak library yang bisa digunakan pada Deep Learning ini. Tapi sebelum masuk ke Deep learning saya sarankan anda mulai dengan:
1. Mengenal Machine learning
2. Mengenal Pattern Recognition
3. Mengenal Multilayer perceptron concept
4. Neural Network
5. Selanjutnya baru Deep Learning

Supaya lebih mantap silahkan baca referensi-referensi berikut:

1. A survey of deep neural network architectures and their applications.https://goo.gl/zCwi35
2. Neural network Mathwork. https://goo.gl/Cqx7ya

Contoh Publikasi:

  1. Supriyanto, et al., Artificial neural networks model for estimating growth of polyculture microalgae in an open raceway pond, Biosystems Engineering (2018), https://doi.org/10.1016/j.biosystemseng.2018.10.002.
  2. Widhiasih, Retno Nugroho, Nursintas Adi Wahanani, SupriyantoKlasifikasi Buah Belimbing Berdasarkan Citra Red-Green-Blue Menggunakan Knn dan LDA. Journal PIKSEL: Penelitian Ilmu Komputer, Sistem Embedded & Logic. e-issn: 2620-3553. PDF.

 

supriyanto

Leave a Reply

shares