Neural Network Adalah: Cara Kerja, Jenis & Kelemahannya

Program komputer biasa bekerja dari daftar aturan yang ditulis manusia. Kalau saldo kurang dari nol, tolak transaksi. Kalau tanggalnya lewat, tandai jatuh tempo. Selama aturannya bisa dituliskan, komputer menjalankannya dengan patuh dan tanpa keliru.

Persoalan muncul saat aturannya tidak bisa dituliskan. Anda mengenali wajah ibu Anda dalam sepersekian detik, tetapi cobalah jabarkan aturannya: berapa milimeter jarak antar-mata, berapa derajat lengkung alisnya. Tidak ada yang sanggup. Pengetahuan semacam ini kita miliki tanpa pernah bisa kita rumuskan.

Neural network adalah pendekatan yang membalik urusan tersebut: aturannya tidak ditulis manusia, melainkan disetel sendiri oleh program dari ribuan contoh. Artikel ini membahas apa itu neural network dari nol — isi satu neuron beserta hitungannya, fungsi aktivasi, susunan lapisan, cara kerja pelatihan, jenis, contoh, sampai kelemahan dan sejarahnya.

Neural Network Adalah: Pengertian dan Padanan Indonesianya

Neural network adalah sistem komputasi berisi banyak unit hitung sederhana yang saling terhubung, dan kekuatan tiap hubungannya disetel berdasarkan data contoh. Unit hitung itu disebut neuron atau node, sedangkan kekuatan hubungannya disebut bobot (weight).

Artificial neural network adalah nama lengkapnya, sering disingkat ANN. Neural networks adalah bentuk jamaknya, dan maknanya tidak berbeda. Padanan Indonesianya jaringan saraf tiruan, kerap disingkat JST dan dipakai sebagai nama mata kuliah di banyak kampus.

Sejak kecerdasan buatan ramai dibicarakan, sebagian orang menulisnya sebagai neural network AI. Maksudnya tetap sama. Imbuhan itu hanya menegaskan perannya sebagai mesin hitung di balik sebagian besar AI modern, dari pengenal wajah sampai chatbot.

Ejaan bakunya "saraf". KBBI mencatat lema sa.raf dan menandai syaraf serta sarap sebagai bentuk tidak baku. Keduanya beredar luas di skripsi dan modul kuliah, jadi Anda akan menemukan kedua ejaan saat menelusuri literatur.

Perlu digarisbawahi sejak awal: neural network bukan program yang "memahami" sesuatu. Ia susunan perkalian dan penjumlahan berskala besar yang angka-angkanya dicari lewat coba-perbaiki. Kemampuannya mengenali wajah lahir dari jumlah, bukan dari pengertian.

Pendekatan ini salah satu teknik di dalam machine learning, yang sendirinya bagian dari kecerdasan buatan.

Neural Network Terinspirasi dari Apa?

Neural network terinspirasi dari cara sel saraf di otak bekerja. Setiap neuron menerima sinyal dari banyak neuron lain, menjumlahkannya, lalu meneruskan sinyal ke neuron berikutnya hanya bila jumlahnya melewati ambang tertentu.

Gagasan menirukannya dengan matematika muncul pada 1943, saat Warren McCulloch dan Walter Pitts menerbitkan model neuron buatan pertama di Bulletin of Mathematical Biophysics. Sifat "menyala atau tidak sama sekali" pada sel saraf, tunjuk mereka, bisa ditulis sebagai logika proposisi biasa.

Sampai di situ saja kemiripannya. Otak manusia dewasa berisi sekitar 86,1 miliar neuron menurut pengukuran Azevedo dan rekan pada 2009, sedangkan AlexNet — model yang mengguncang pengenalan gambar pada 2012 — hanya memiliki 650.000 neuron buatan. Selisihnya sekitar 132.000 kali lipat.

Bedanya juga bukan sekadar jumlah. Neuron biologis mengubah sendiri strukturnya dan bekerja dengan daya sekitar 20 watt, sedangkan neuron buatan hanya menghitung satu angka. "Terinspirasi dari otak" karena itu berarti meminjam satu ide, bukan meniru.

Anatomi Satu Neuron: Bobot, Bias, dan Ambang

Semua kerumitan neural network tersusun dari satu operasi kecil yang diulang jutaan kali. Memahami satu neuron berarti memahami seluruh jaringannya.

Satu neuron menerima beberapa angka masukan. Tiap masukan dikalikan bobotnya masing-masing, semua hasilnya dijumlahkan, lalu ditambah satu angka bernama bias, dan hasilnya dilewatkan ke sebuah fungsi aktivasi.

Mari kita ikuti satu contoh: neuron yang menilai apakah sebuah email termasuk spam. Neuron ini punya tiga masukan.

1. Jumlah tautan di dalam email — ada 4 tautan, bobotnya 0,4. Banyak tautan sedikit condong ke spam.
2. Pengirim ada di daftar kontak — bernilai 1 kalau ya, 0 kalau tidak. Email ini dari pengirim asing, jadi nilainya 0, bobotnya −2,0. Bobot negatif besar berarti "kalau pengirimnya dikenal, tolak kuat-kuat dugaan spam".
3. Jumlah kata pemicu seperti "gratis", "menang", atau "hadiah" — ada 3 kata, bobotnya 0,7.

Bias neuron ini −2,5. Penjumlahannya menjadi:

(4 × 0,4) + (0 × −2,0) + (3 × 0,7) + (−2,5)
= 1,6 + 0 + 2,1 − 2,5
= 1,2

Angka 1,2 lalu dimasukkan ke fungsi aktivasi. Memakai sigmoid, hasilnya 0,77 — neuron memperkirakan email itu 77% kemungkinan spam.

Sekarang perhatikan peran biasnya. Tanpa bias, penjumlahannya menjadi 3,7 dan keluarannya melonjak jadi 0,98. Bias inilah yang menahan neuron agar tidak mudah berteriak "spam" hanya karena ada beberapa tautan. Fungsi bias pada neural network adalah menggeser ambang aktivasi, sehingga neuron bisa menuntut bukti lebih banyak sebelum menyala.

Coba email kedua: satu tautan, pengirim ada di daftar kontak, nol kata pemicu. Penjumlahannya 0,4 − 2,0 + 0 − 2,5 = −4,1, keluarannya 0,016. Neuron yang sama kini yakin email itu bukan spam.

Bobot dan bias inilah satu-satunya angka yang berubah selama jaringan belajar. Masukan dan susunannya tetap, hanya angka-angka ini yang bergeser sedikit demi sedikit sampai tebakannya membaik.

Hitungan satu neuron neural network: 4x0,4 + 0x-2,0 + 3x0,7 + bias -2,5 = 1,2, lalu sigmoid mengubahnya jadi 0,77.

Fungsi Aktivasi: Kenapa Jaringan Bisa Menangkap Pola Rumit

Fungsi aktivasi (activation function) adalah fungsi yang mengubah hasil penjumlahan sebuah neuron menjadi keluaran akhirnya. Fungsi utamanya memasukkan sifat tidak linier ke dalam jaringan, dan tanpa itu seluruh jaringan kehilangan alasan untuk berlapis.

Alasannya bisa ditunjukkan dengan cepat. Kalau tiap neuron hanya menjumlahkan hasil perkalian tanpa fungsi aktivasi, dua lapisan berturut-turut sama saja dengan mengalikan dua matriks — dan dua matriks yang dikalikan menghasilkan satu matriks. Artinya jaringan seratus lapis berperilaku persis seperti jaringan satu lapis, hanya sanggup memisahkan data dengan garis lurus.

Fungsi aktivasi mematahkan kelurusan itu. Setiap lapisan menjadi tekukan baru, dan tumpukan tekukan itulah yang memungkinkan jaringan membentuk batas keputusan berkelok-kelok.

Empat fungsi aktivasi yang paling sering Anda temui:

ReLU paling sederhana: kalau masukannya negatif keluarkan 0, kalau positif teruskan apa adanya. Kesederhanaan itu justru menjadi sebab jaringan dalam bisa dilatih. Sigmoid memampatkan semua angka ke rentang 0 sampai 1, sehingga sinyal perbaikan menyusut tiap kali melewati satu lapisan dan nyaris habis sebelum sampai ke lapisan awal.

Softmax menilai satu kelompok neuron sekaligus. Bila lapisan keluaran menghasilkan angka 2,0 — 1,0 — 0,1 untuk tiga pilihan, softmax mengubahnya menjadi 0,66 — 0,24 — 0,10. Ketiganya berjumlah tepat 1, sehingga bisa dibaca sebagai peluang.

Empat kurva fungsi aktivasi: sigmoid naik 0 ke 1, tanh -1 ke 1, ReLU patah di nol, softmax jadi 0,66-0,24-0,10.

Patokan praktis untuk pemula: pakai ReLU di semua lapisan tersembunyi, sigmoid di lapisan keluaran bila jawabannya ya/tidak, dan softmax bila pilihannya lebih dari dua.

Tiga Lapisan Penyusun Jaringan

Neuron disusun berjajar menjadi lapisan, dan keluaran satu lapisan menjadi masukan lapisan berikutnya. Ada tiga jenisnya.

1. Lapisan masukan (input layer): lapisan yang bertanggung jawab menerima data mentah. Lapisan ini tidak menghitung apa pun, hanya meneruskan angka. Untuk foto 28×28 piksel hitam-putih, lapisan ini berisi 784 neuron, satu untuk tiap piksel.
2. Lapisan tersembunyi (hidden layer): tempat seluruh pengolahan terjadi. Disebut tersembunyi karena nilainya tidak pernah kita lihat langsung — tidak masuk sebagai data, tidak keluar sebagai jawaban.
3. Lapisan keluaran (output layer): penghasil jawaban akhir. Jumlah neuronnya mengikuti jumlah kemungkinan jawaban — sepuluh neuron untuk menebak angka tulisan tangan 0 sampai 9.

Yang menarik terjadi di lapisan tersembunyi. Lapisan pertama menangkap hal paling sederhana seperti garis tepi dan warna. Lapisan berikutnya menyusunnya menjadi lengkungan atau sudut, dan lapisan lebih dalam menggabungkannya menjadi bagian berarti seperti mata atau telinga. Penyusunan bertingkat inilah yang membuat jaringan sanggup mengenali objek tanpa pernah diberi tahu ciri-cirinya.

Empat lapisan neural network: input 784 neuron piksel, dua hidden layer menangkap tepi lalu bentuk, output 10 angka.

Nilai sebuah lapisan tersembunyi juga bisa diambil dan disimpan sebagai daftar angka yang mewakili satu masukan. Bentuk itu disebut embedding.

Berapa Lapisan sampai Sebuah Jaringan Disebut Deep?

Tidak ada batas resmi yang disepakati semua pihak. Konvensi yang paling umum: jaringan dengan lebih dari satu lapisan tersembunyi sudah disebut deep neural network, sedangkan yang hanya punya satu disebut jaringan dangkal.

Jadi yang membedakan deep neural network dari jaringan saraf tiruan lain bukan jenis neuronnya, bukan pula fungsi aktivasinya, melainkan jumlah lapisan tersembunyi yang bertumpuk. Metode melatih jaringan sedalam ini yang kemudian disebut deep learning.

Ada satu keanehan yang layak diketahui. Sejak 1989, Cybenko dan Hornik sudah membuktikan bahwa satu lapisan tersembunyi saja cukup untuk mendekati fungsi kontinu apa pun, asalkan boleh selebar yang dibutuhkan. Hasil ini dikenal sebagai universal approximation theorem.

Kalau begitu, kenapa orang tetap menumpuk lapisan? Karena teorema itu hanya menjamin jaringannya ada, tanpa menjanjikan lebarnya masuk akal atau bobotnya bisa ditemukan. Pada jumlah bobot yang sama, jaringan dalam dan ramping rutin mengalahkan jaringan dangkal yang sangat lebar.

Cara Kerja Neural Network: Menebak, Menilai, Memperbaiki

Cara kerja neural network berputar dalam satu lingkaran yang diulang ribuan sampai jutaan kali. Tiap putaran terdiri dari empat langkah.

1. Menebak (forward propagation): data masuk lewat lapisan masukan, mengalir melewati lapisan tersembunyi, dan keluar sebagai jawaban. Pada putaran pertama seluruh bobot masih acak, jadi tebakannya asal.
2. Menilai kesalahan: tebakan dibandingkan dengan jawaban benar, dan selisihnya dihitung oleh fungsi kerugian (loss function). Angka inilah yang harus diperkecil. Karena butuh jawaban benar sebagai pembanding, cara pelatihan ini termasuk supervised learning.
3. Menelusuri penyebab (backpropagation): backpropagation neural network adalah proses menghitung mundur andil setiap bobot terhadap kesalahan, dari lapisan keluaran kembali ke lapisan awal. Namanya berasal dari arah perhitungan itu, dan hasilnya dipakai di langkah berikutnya.
4. Menyetel bobot: tiap bobot digeser sedikit ke arah yang mengurangi kesalahan, sejauh yang ditentukan learning rate.

Learning rate adalah besar langkah penyesuaian bobot pada tiap putaran. Nilainya lazim di rentang 0,001 sampai 0,1, dan pengoptimal Adam memakai 0,001 sebagai bawaan. Terlalu besar membuat bobot melompati titik terbaiknya, terlalu kecil membuat pelatihan sangat lambat dan mudah tersangkut.

Data pelatihan tidak dimasukkan satu per satu, melainkan dalam kelompok kecil bernama batch — 32 sampai 256 contoh sekali jalan adalah ukuran lazim. Satu putaran yang menghabiskan seluruh data disebut satu epoch.

Lingkaran pelatihan neural network: menebak maju, menghitung kerugian, backpropagation mundur, lalu menyetel bobot.

Penyetelan bertahap ini diatur oleh algoritma optimasi, yang paling dasar bernama gradient descent. Perumpamaannya seperti menuruni bukit dalam kabut: Anda tidak melihat lembahnya, tetapi bisa merasakan arah paling curam di bawah kaki.

Satu catatan istilah: sebutan algoritma neural network dipakai untuk dua hal berbeda. Kadang yang dimaksud algoritma pelatihannya seperti backpropagation dan gradient descent, kadang arsitekturnya seperti MLP, CNN, atau RNN.

Jenis Neural Network Menurut Bentuk Datanya

Neural network dibedakan menurut susunan lapisan dan cara data mengalir di dalamnya, yang disebut arsitektur. Cara paling berguna mengingatnya adalah mencocokkannya dengan bentuk data yang Anda punya.

1. MLP (Multilayer Perceptron): bentuk paling dasar, tiap neuron terhubung ke semua neuron di lapisan berikutnya. Cocok untuk data tabel berisi angka, misalnya memperkirakan harga rumah dari luas dan lokasi. Inilah yang biasanya dimaksud orang saat menyebut "jaringan saraf tiruan biasa".
2. CNN (Convolutional Neural Network): convolutional neural network adalah arsitektur yang menyapukan jendela kecil ke seluruh gambar untuk mencari pola setempat seperti tepi dan tekstur. Karena jendela yang sama dipakai ulang, jumlah bobotnya jauh lebih hemat daripada MLP. CNN menjadi tulang punggung computer vision.
3. RNN (Recurrent Neural Network): recurrent neural network adalah arsitektur yang menyimpan ingatan dari langkah sebelumnya, sehingga cocok untuk data berurutan seperti teks, suara, dan deret waktu. Varian LSTM dan GRU dibuat karena ingatan RNN cepat pudar.
4. Transformer: menggantikan ingatan berurutan RNN dengan mekanisme perhatian yang menimbang seluruh masukan sekaligus. Arsitektur ini fondasi LLM dan sebagian besar kemajuan NLP sejak 2017.
5. GAN (Generative Adversarial Network): dua jaringan saling beradu, satu membuat data palsu dan satu menebak keasliannya. Pendekatan ini masuk keluarga AI generatif.
6. GNN (Graph Neural Network): graph neural network adalah arsitektur untuk data berbentuk jaringan hubungan, seperti jejaring sosial, peta jalan, atau struktur molekul. Yang dipelajarinya bukan hanya isi tiap simpul, melainkan siapa terhubung dengan siapa.

Perbedaan CNN dan ANN sering ditanyakan, dan jawabannya sederhana: CNN salah satu jenis ANN. ANN nama payung untuk seluruh jaringan saraf tiruan, sedangkan CNN adalah ANN yang lapisannya dirancang khusus untuk data berbentuk kisi seperti gambar.

Bentuk data dan arsitektur neural network: tabel ke MLP, gambar ke CNN, urutan ke RNN, teks ke transformer, GAN, GNN.

Contoh Penerapan Neural Network di Sekitar Anda

Contoh neural network paling mudah ditemukan di perangkat yang Anda pegang sehari-hari. Berikut enam yang bekerja tanpa Anda sadari, lengkap dengan arsitekturnya.

1. Membuka kunci ponsel dengan wajah: CNN mencocokkan pola wajah Anda dengan yang tersimpan di perangkat.
2. Penyaring spam di kotak masuk: jaringan menilai ratusan ciri email, mirip contoh hitungan tadi.
3. Terjemahan otomatis dan chatbot: transformer menyusun jawabannya kata demi kata.
4. Rekomendasi tontonan dan belanja: jaringan mencocokkan pola perilaku Anda dengan jutaan pengguna lain.
5. Perintah suara ke asisten digital: jaringan mengubah gelombang suara menjadi teks sebelum ditafsirkan.
6. Deteksi penipuan kartu kredit: jaringan menandai transaksi menyimpang dalam hitungan milidetik.

Kelebihan Neural Network

1. Menemukan sendiri ciri yang penting: Anda cukup memberi data mentah, dan jaringan menyusun sendiri ciri yang perlu diperhatikan. Metode lain menuntut manusia merancangnya lebih dulu.
2. Menangani data yang tidak rapi: gambar, suara, dan teks tidak berbentuk tabel, dan di sinilah neural network unggul jauh atas pendekatan statistik klasik.
3. Membaik seiring bertambahnya data: banyak metode klasik berhenti membaik setelah jumlah data tertentu, sedangkan neural network besar umumnya terus membaik selama datanya bertambah.

Kelemahan dan Hal yang Perlu Anda Pertimbangkan

Empat kelemahan artificial neural network berikut paling sering menjadi penghalang.

1. Kotak hitam: setelah dilatih, jaringan hanyalah jutaan angka tanpa penjelasan. Anda tahu jawabannya, tetapi tidak tahu alasannya. Untuk keputusan yang harus dipertanggungjawabkan seperti persetujuan kredit dan diagnosis medis, sifat ini menjadi masalah serius.
2. Rakus data: jaringan besar membutuhkan puluhan ribu sampai jutaan contoh. Bila Anda hanya punya beberapa ratus baris data, metode sederhana hampir selalu memberi hasil lebih baik.
3. Mahal untuk dilatih: pelatihan menuntut perangkat keras khusus dan waktu, dan biayanya sering tidak sebanding dengan perbaikan ketepatan yang didapat.
4. Mudah menghafal: bila jaringan terlalu besar dibanding datanya, ia menghafal contoh pelatihan alih-alih mempelajari polanya. Gejala ini disebut overfitting, dan tandanya jelas — ketepatan tinggi pada data latihan tetapi buruk pada data baru.

Patokan praktisnya: bila data Anda berbentuk tabel dengan kurang dari sekitar 10.000 baris, mulailah dari metode klasik seperti regresi atau gradient boosting. Neural network baru layak dipertimbangkan saat datanya tidak terstruktur dan jumlahnya besar.

Dari 1943 sampai Nobel Fisika 2024

Teknologi yang terasa baru ini sudah berumur delapan dekade, dan perjalanannya jauh dari mulus.

• 1943 — McCulloch dan Pitts menerbitkan model matematis neuron buatan pertama.
• 1958 — Frank Rosenblatt memperkenalkan perceptron di Psychological Review, lalu mewujudkannya sebagai mesin Mark I Perceptron dengan 400 fotosel. New York Times menulis pada 7 Juli 1958 bahwa Angkatan Laut Amerika Serikat mengungkap "embrio komputer elektronik" yang diharapkan bisa berjalan, berbicara, melihat, menulis, menggandakan diri, dan sadar akan keberadaannya. Mesin itu sesungguhnya hanya memilah bentuk sederhana.
• 1969 — Marvin Minsky dan Seymour Papert menunjukkan dalam buku Perceptrons bahwa perceptron satu lapis tidak mampu menghitung fungsi XOR. Dugaan mereka bahwa keterbatasan serupa berlaku untuk jaringan berlapis ternyata keliru, tetapi pendanaan riset jaringan saraf sempat menyusut bertahun-tahun.
• 1982 — John Hopfield menerbitkan jaringan penyimpan dan pemulih pola di PNAS, memakai peralatan matematika dari fisika.
• 1986 — Rumelhart, Hinton, dan Williams menerbitkan backpropagation di Nature, dan pelatihan jaringan berlapis akhirnya praktis.
• 2012 — AlexNet memenangi lomba pengenalan gambar ImageNet dengan angka kesalahan top-5 sebesar 15,3%, sementara tim terbaik berikutnya berhenti di 26,2%. Selisih hampir 11 poin persen itu memicu gelombang deep learning.
• 2024 — Pada 8 Oktober, John Hopfield dan Geoffrey Hinton menerima Nobel Fisika "untuk penemuan dan penciptaan mendasar yang memungkinkan machine learning dengan jaringan saraf tiruan". Sehari berikutnya, separuh Nobel Kimia jatuh ke Demis Hassabis dan John Jumper atas prediksi struktur protein yang juga bertumpu pada jaringan saraf.

Pola yang terbaca: gagasannya nyaris tidak berubah sejak 1986. Yang berubah adalah ketersediaan data dan kemampuan komputasi, dan keduanya baru bertemu pada awal 2010-an.

Pertanyaan yang Sering Diajukan

Apakah neural network itu deep learning?

Tidak selalu. Neural network adalah strukturnya, sedangkan deep learning adalah metode melatih neural network yang punya banyak lapisan tersembunyi. Jaringan dengan satu lapisan tersembunyi tetap neural network, tetapi belum disebut deep learning.

Apa bedanya neural network dengan machine learning?

Machine learning adalah tujuannya, yaitu membuat mesin belajar dari data. Neural network salah satu alat untuk mencapainya. Pohon keputusan, regresi, dan random forest juga termasuk machine learning, tetapi bukan neural network.

Neural network apa saja jenisnya?

MLP untuk data tabel, CNN untuk gambar, RNN beserta LSTM untuk data berurutan, transformer untuk teks panjang, GAN untuk menghasilkan data baru, dan GNN untuk data berbentuk jaringan hubungan.

Apakah belajar neural network harus punya GPU?

Tidak untuk tahap belajar. Latihan pertama dengan data kecil seperti pengenalan angka tulisan tangan berjalan lancar di laptop biasa dalam hitungan menit. GPU baru dibutuhkan saat datanya membesar.

Bagaimana urutan belajar neural network untuk pemula?

Kuasai dulu dasar aljabar matriks dan turunan setingkat SMA, lalu Python beserta pustaka PyTorch atau TensorFlow. Proyek pertama yang realistis adalah pengenalan angka tulisan tangan dengan MLP sederhana, sebelum lanjut ke CNN. Data latihan dan contoh kode siap jalan tersedia di Kaggle.

Kesimpulan

Pengertian neural network pada dasarnya sederhana: susunan unit hitung kecil yang bobot dan biasnya disetel dari contoh, bukan ditulis manusia. Satu neuron hanya mengalikan, menjumlahkan, menambah bias, lalu melewatkan hasilnya ke fungsi aktivasi — dan fungsi aktivasi itulah yang membuat tumpukan lapisan sanggup menangkap pola berkelok.

Kekuatannya nyata untuk data yang tidak rapi dan berjumlah besar, tetapi harganya juga nyata: butuh banyak contoh, butuh komputasi, dan jawabannya sulit dipertanggungjawabkan. Untuk data tabel kecil, metode sederhana masih lebih masuk akal. Memahami batas itu sama pentingnya dengan memahami cara kerjanya.

Semoga artikel ini membantu.