Deep Learning: Artificial Neural Networks

BAGAIMANA NEURAL NETWORKS MEMPREDIKSI BANYAK DATA?

Anggap kita memiliki 10 buah mobil bekas yang digunakan untuk melatih (men-training) NN kita. Tabelnya kurang lebih sebagai berikut:

Tabel harga mobil

Dengan 10 data mobil untuk melatih neural networks (NN) kita, maka ilustrasinya menjadi seperti ini:

Ilustrasi NN untuk 10 dataset mobil sebagai bahan training

Kita bisa melihat di ilustrasi atas terdapat 10 NN. Pada dasarnya 10 NN di atas semuanya adalah 1 NN yang sama. Saya gambarkan ada 10, yang masing-masing mewakili 1 baris dalam tabel di atas. Bisa dilihat juga bahwa setiap ilustrasi NN di atas memiliki nomor masing-masing, yang nomornya mewakili ID mobil yang dibahas.

Sekarang kita lihat NN no 1, yang artinya dia mewakili mobil pertama dengan harga 187 juta. Kemudian ada NN no 8, yang artinya ia mewakili NN untuk mobil ke 8 dengan harga 210 juta. Bisa dipahami ya sampai sini.

Setiap satu baris data yang berhasil menghitung nilai y model (y topi), dan kemudian kembali lagi untuk menyesuaikan nilai w nya, maka disebut dengan 1 kali proses perhitungan y model dalam 1 baris.

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.

Anggap sekarang kita sudah melewati 1 epoch, maka ilustrasi perbandingan y model dan y real adalah sebagai berikut:

Perbandingan nilai y untuk 10 data mobil

Kita bisa melihat perbandingan nilai y model dan y real untuk setiap barisnya, sehingga ada 10 data. Pada bagian paling kanan kita juga bisa melihat ada nilai C (cost function) yang merupakan akumulasi dari nilai perbedaan antara y model dan y real untuk semua barisnya. Perlu diingat, bahwa tujuan utama kita adalah meminimasi nilai C ini, yang artinya semakin kecil maka nilai y real dan y topi semakin identik.

Setelah kita mengetahui nilai C, maka sekarang saatnya melakukan back propagation (mundur ke belakang memberikan feedback ke neuron di belakangnya). Kita update nilai w1, w2, dan w3. Dengan demikian, semua baris akan memiliki nilai w1, w2, dan w3 yang sama.

Agar pembahasan menjadi mudah dan bertahap, kali ini kita menggunakan metode batch gradient descent, sehingga setiap neuron menggunakan bobot w yang sama. Untuk metode yang lain bisa dibaca di halaman selanjutnya.

Perlu diperhatikan bahwa setiap baris memakai w1, w2, dan w3 yang sama ya. Jadi bukan berati setiap baris memiliki w1, w2, dan w3 yang berbeda dengan data mobil untuk baris yang lain. Karena pada dasarnya hanya ada 1 NN, dan saya gambarkan ada 10 hanya ilustrasi saja bahwa masing-masing melakukan perhitungan maju mundur yang berbeda, namun tetap melewati neural network yang sama.

Sebelum lanjut, kita review sedikit bahwa istilah satu epoch adalah proses perhitungan maju dan mundur selesai untuk semua barisnya. Dengan demikian agar nilai C bisa menjadi minimum, maka perlu beberapa kali proses epoch.

Setelah melalui beberapa kali epoch akhirnya didapatkanlah sebuah kombinasi w1, w2, dan w3 yang tepat yang ditunjukkan oleh nilai C yang sudah minimum dan converge. Ilustrasinya sebagai berikut:

Perbandingan nilai y yang sudah converge

Apa yang sebenarnya dilakukan NN? Langkah terpenting untuk meminimasi nilai C adalah mengupdate semua bobot (nilai masing-masing w). Jadi proses update bobot ini sangat penting dalam deep learning atau neural networks. Selain itu, proses iterasi, berapa kali epoch yang diperlukan juga menentukan kapan solusinya bisa optimum.

Sampai sini saya harap pembaca sudah paham apa itu neural networks (NN), apa itu cost function, y model, y real, epoch, dan converge. Jika belum paham bisa baca kembali di halaman-halaman sebelumnya. Jika sudah silakan lanjutkan membaca ke halaman selanjutnya, di mana kita akan bahas tentang gradient descent.

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

Bagikan artikel ini:

Pages: 1 2 3 4 5 6 7

Leave a Reply

avatar
  Subscribe  
Notify of