Deep Learning: Artificial Neural Networks

Deep Learning: Artificial Neural Networks

BAGAIMANA APLIKASI NEURAL NETWORKS?

Anggap kita ingin memprediksi harga dari sebuah mobil bekas. Kita memiliki 6 variabel independen (data yang dimiliki). Tentunya ada banyak variabel untuk bisa memprediksi harga sebuah mobil. Namun untuk mempermudah, kali ini kita hanya menggunakan 6 variabel saja, antara lain:

  1. Merek mobil
  2. Konsumsi bbm
  3. Usia mobil
  4. Warna mobil
  5. Tipe mobil (sedan/MPV/SUV)
  6. Interior

Jika pembaca sudah membaca materi machine learning (ML) sebelumnya di web ini, maka permasalahan ini bisa diselesaikan dengan regresi multivariat. Namun, kali ini kita akan membahasnya dengan metode neural networks (NN), dan tentunya metode ini memiliki kelebihan jika dibandingkan dengan metode ML lainnya.

Ilustrasi NN untuk permasalahan ini adalah sebagai berikut:

Ilustrasi neural networks dengan 2 layers

Ilustrasi di atas menggambarkan bagaimana harga mobil bisa diprediksi melalui 6 variabel di belakangnya (sebelah kiri). Perlu diperhatikan bahwa ilustrasi di atas hanya terdiri dari 2 layers saja yaitu input dan output, tanpa hidden layer. Jika seperti ini, maka menjadi permasalahan regresi multivariat.

Lalu bagaimana aplikasi neural networks yang dimaksud dalam konteks deep learning untuk memecahkan masalah ini? Kita perlu menambahkan setidaknya 1 buah hidden layer, sehingga ilustrasinya sebagai berikut:

Penambahan hidden layer untuk memprediksi harga mobil.
Note: masing-masing neuron dalam hidden dan output layers memiliki bias, tapi tidak digambarkan untuk memudahkan ilustrasi.

Sekarang kita memiliki sebuah hidden layer, dan di dalamnya terdapat 8 neurons (nodes/perceptron). Masing-masing neuron ini memiliki karakter yang berbeda-beda.

Perlu diperhatikan bahwa kali ini asumsi yang digunakan adalah setiap neuron sudah melalui proses training (pembahasan training neural networks di bagian selanjutnya), sehingga masing-masing memiliki karakter sendiri-sendiri.

Anggap neuron paling (neuron A) atas hanya memilih input merek mobil dan tipe mobil saja (nilai theta=1), sementara input lain tidak dianggap penting oleh neuron ini (nilai theta=0). Setelah melalui proses training, neuron ini meyakini (layaknya manusia) bahwa merek dan tipe mobil sajalah yang berperan penting dalam menentukan harga mobil. Mungkin neuron ini mengambil pembelajaran dari data training mereka-mereka yang lebih mementingkan image sebuah mobil dari brand (merek) nya. Misal Mercedez tentu lebih mahal dibandingkan Honda, dan tipe sedan lebih mahal dibandingkan MPV, dan seterusnya. Ilustrasinya sebagai berikut:

Neuron A hanya memilih merek dan tipe mobil saja.
Note: masing-masing neuron dalam hidden dan output layers memiliki bias, tapi tidak digambarkan untuk memudahkan ilustrasi.

Sekarang kita beralih ke neuron B. Ternyata neuron ini memilih variabel konsumsi bbm dan usia dengan konsumsi bbm memiliki prioritas lebih besar daripada usia, artinya bobot (Wbbm > Wusia). Sementara neuron C memilih variabel warna dan interior, variabel D merek, warna, dan interior, dan seterusnya dengan karakteristik yang berbeda-beda untuk setiap neuronnya. Ilustrasinya sebagai berikut:

Ilustrasi hubungan semua neuron.
Note: masing-masing neuron dalam hidden dan output layers memiliki bias, tapi tidak digambarkan untuk memudahkan ilustrasi.

Sampai di sini saya harap pembaca bisa memahami bagaimana aplikasi neural networks. Yang tidak kalah penting adalah pembaca memahami bagaimana logika dibalik pengambilan keputusan dari neural networks.

Di bagian selanjutnya, kita akan belajar bagaimana setiap neuron (perceptron) bisa belajar, misal neuron A hanya memilih variabel merek dan tipe mobil saja. Bagaimana teknik proses pembelajaran sebuah neuron?

Untuk melanjutkan membaca, silakan klik halaman selanjutnya di bawah ini.

Bagikan artikel ini:

Pages: 1 2 3 4 5 6 7

Subscribe
Notify of
guest
3 Comments
Oldest
Newest Most Voted
Inline Feedbacks
View all comments
Rocky Gultom
Rocky Gultom
4 months ago

Halo pak, artikel di atas bapak menyebutkan ”Jika semua baris (ada 8 baris) sudah dihitung nilai y modelnya, dan setiap kembali mengupdate nilai w untuk masing-masing barisnya maka disebut dengan 1 epoch”, pertanyaan saya 8 Baris itu berasal dari mana yah Pak?, bukan nya ada 10 baris data yah, apa saya yang salah tangkap..terima kasih pak

Rocky Gultom
Rocky Gultom
Reply to  Rocky Gultom
4 months ago

Maaf Pak, saya lihat pernyataan tsb ada di halaman 5 di topik pembahasan “Deep Learning: Artificial Neural Networks ” yang di highlight biru..Terima kasih