English
Artificial neural network atau disebut juga neural network (NN) adalah sistem pemrosesan informasi yang memiliki karakteristik kinerja yang sama dengan jaringan saraf biologis. Artificial neural network merupakan bagian dari soft computing yang lebih mengedepankan proses berpikir dengan pendekatan dibandingkan yang eksak. Tidak seperti hard computing tradisional yang lebih mengutamakan pada presisi dan kepastian, serta tidak fleksibel, soft computing toleran terhadap ketidakpresisian, ketidakpastian, dan kebenaran parsial, serta lebih fleksibel. Tujuan utama soft computing adalah mengeksploitasi toleransi tersebut untuk mencapai daya tarik, ketahanan, kecerdasan mesin tingkat tinggi, dan biaya rendah dalam aplikasi (Lin & Lee, 1996).
Neural network menarik bagi para peneliti di berbagai bidang karena alasan yang berbeda. Di bidang teknik elektro, neural network banyak diaplikasikan dalam signal processing dan teori kontrol. Di bidang komputer, neural network berpotensi diimplementasikan pada hardware secara efisien dan oleh aplikasi neural network untuk robot. Ilmuwan komputer menemukan bahwa neural network sangat potensial untuk menyelesaikan masalah pada artificial intelligence dan pattern recognition. Untuk matematikawan dan statistikawan, neural network adalah alat yang ampuh untuk pemodelan masalah yang bentuk eksplisit hubungan di antara variabel tidak diketahui dengan pasti.
Neural network dapat memodelkan hubungan linear maupun non linear. Model NN merupakan alternatif yang banyak menarik perhatian bagi para peneliti karena beberapa alasan. NN tidak memerlukan asumsi-asumsi pada data yang seringkali sulit dipenuhi. Dalam keadan ini NN dipandang sebagai metode statistika non linear dan nonparametrik (Ripley, 1993, Cheng & Titterington, 1994). Berdasarkan hasil training terhadap sampel, NN mampu menyimpulkan bagian populasi yang tidak diketahui. Prinsip ini sesuai dengan peramalan, yaitu melakukan peramalan keadaan yang akan datang dari keadaan masa lalu (sampel). Oleh karena itu, NN dapat diaplikasikan untuk peramalan.
Telah ditunjukkan bahwa NN dapat mendekati sebarang fungsi kontinu pada derajat akurasi yang diinginkan sehingga NN merupakan pendekatan fungsi yang universal. Hasil ini dapat dilihat pada Cybenko (1989), Funahashi (1989), Hornik (1989), White (1990), atau Gallant & White (1992). Model peramalan biasanya dinyatakan dalam hubungan fungsional antara input dan output. Dalam sistem yang kompleks, metode statistik klasik seringkali tidak mampu mengestimasi fungsi tersebut sehingga NN merupakan alternatif yang tepat.
Ada banyak model NN yang telah digunakan dalam klasifikasi, dan pemodelan maupun peramalan data time series, diantaranya adalah feedforward neural network (FFNN) dan recurrent neural network (RNN). Yang termasuk dalam kelas FFNN adalah backpropagation neural network, radial basis function network (RBFNN), general regression neural network. NN banyak diaplikasikan pada masalah klasifikasi, khusunya di bidang kesehatan, yaitu untuk klasifikasi/diagnosis suatu penyakit, seperti, jantung, berbagai jenis kanker, diabetes mellitus, dan sebagainya. Elman recurrent neural network (ERNN) dan nonlinear autoregressive exogenous (NARX) telah diaplikasikan untuk klasifikasi kanker otak menggunakan data MRI (Al-Naami, Mallouh & Hafez, 2014). Penelitian juga telah dilakukan untuk klasifikasi kanker otak menggunakan backpropagation neural network dan principal component analysis (Nayak & Verma, 2014) dan diagnosis penyakit kanker payudara menggunakan model ERNN (Booldbatar, Lin, & Lin, 2019),
Selain untuk klasifikasi, NN juga banyak diaplikasikan untuk peramalan time series. Dalam penelitian yang kami lakukan RBFNN untuk peramalan return pada portofolio model Black Litterman (Wutsqa, Subekti, & Kusumawati, 2016) dan untuk peramalan masuknya turis asing ke Yogyakarta (Wutsqa & Yasfi, 2015), FFNN untuk peramalaan banyak wisatawan ke candi Prambanan dengan memasukkan pengaruh kalender Islam (Wutsqa & Abadi, 2012). Model nonlinear autoregressive exogenous neural network (NARX NN) termasuk dalam RNN, dan telah diaplikasikan untuk untuk peramalan radiasi langsung matahari harian (Boussaada et al., 2018), peramalan beban listrik janka pendek (Buitrago & Asfour, 2017).
Proses komputasi dalam neural network dirancang menyerupai sistem kerja neuron pada otak manusia yang sangat kompleks. Neural network terdiri atas elemen-elemen untuk pemrosesan informasi yang disebut dengan neuron, unit, sel atau node. Setiap neuron dihubungkan dengan neuron lainnya dengan suatu connection link yang direpresentasikan dengan weight/bobot. Metode untuk menentukan nilai weight disebut dengan training, learning, atau algoritma. Setiap neuron menggunakan fungsi aktivasi pada net input (jumlah dari input terboboti) untuk menentukan prediksi output.
Neuron-neuron dalam NN disusun dalam grup yang disebut dengan layer (lapis). Susunan neuron-neuron dalam lapis dan pola koneksi di dalam dan antar lapis disebut dengan arsitektur jaringan. Arsitektur ini merupakan salah satu karakteristik penting yang membedakan NN.
Secara umum ada tiga lapis yang membentuk NN:
- Lapis input: data diterima oleh neural network dalam lapis input. Jumlah node atau neuron dalam lapis input tergantung pada jumlah input dalam model dan setiap input menentukan satu neuron.
- Lapis tersembunyi (hidden layer): lapis tersembunyi terletak di antara lapis input dan lapis output, yang dapat terdiri atas beberapa lapis tersembunyi.
- Lapis output: setelah melalui proses training, network merespon input baru untuk menghasilkan output yang merupakan hasil peramalan.
Neural network dengan tiga lapis disebut dengan multilayer net, jika hanya terdiri dari lapis input dan lapis output disebut dengan single layer net. Tipe NN dibedakan oleh arsitektur, training, dan fungsi aktivasi.
Feedforward neural network merupakan salah satu model NN yang banyak dipakai dalam berbagai bidang, khususnya pada peramalan data time series. Model ini biasa disebut dengan multilayer perceptrons (MLP). Arsitektur model ini terdiri atas satu lapis input, satu atau lebih lapis tersembunyi, dan lapis output. MLP dengan satu lapis tersembunyi. Dalam model ini, perhitungan respon atau output dilakukan dengan memproses (propagating) input mengalir dari satu lapis maju ke lapis berikutnya secara berurutan. Kompleksitas dari arsitektur FFNN tergantung pada jumlah lapis tersembunyi dan jumlah neuron pada masing-masing lapis. FFNN dengan satu lapis tersembunyi merupakan model yang paling sering digunakan karena ditinjau dari kompleksitas lebih sederhana, tetapi sudah mampu mendekati fungsi kontinyu untuk sembarang derajat akurasi. Hal ini didukung beberapa teorema dari Cybenko (1989), Funahashi (1989), dan Hornik (1989).
Neural network telah banyak diaplikasikan pada berbagai bidang. Pengembangan teori, pemrograman, maupun aplikasi NN terus dikembangkan secara terus menerus oleh para ahli. Apalagi di era Industri 4.0, proses digitalisasi berkembang begitu cepat. Proses digitalisasi menjadi semakin cepat setelah dunia dilanda wabah covid-19. NN sebagai salah satu dari artificial intelligence tentu memegang peranan yang sangat penting. Penelitian-penelitian di bidang kesehatan untuk deteksi berbagai penyakit masih punya potensi untuk terus dikembangkan mulai dari kajian secara teoritis hingga sampai pada implementasi, sehingga menghasilkan alat yang bisa dimanfaatkan oleh tenaga medis. Untuk sampai pada produksi alat kesehatan, dibutuhkan penelitian yang juga melibatkan berbagai pihak diantaranya ahli kesehatan, dan ahli di bidang teknik yang dapat mengimplementasikan model dan program yang dihasilkan dalam hardware yang bisa dimanfaatkan. Berbagai bidang seperti pertanian, pelayanan, bisnis juga sudah banyak memanfaatkan artificial intelligence sehingga terbuka peluang yang cukup besar mengembangkan penelitian NN pada area tersebut.
Saat ini dunia menghadapi revolusi industri 4.0 yang ditandai dengan pesatnya perkembangan teknologi sensor, keterhubungan (interkoneksi), dan ketersediaan data secara bersama-sama. Perkembangan inilah yang mendasari munculnya era baru terkait penggunaan data, yakni berkembang pesatnya big data. Pemahaman mengenai pengertian, karakteristik, dan peran big data merupakan salah satu kunci guna menghadapi revolusi industri 4.0. Dari segi teknis, pengelolaan big data melibatkan dua keahlian utama yang saling terkait, yakni bidang komputer dan bidang statistika. Bidang komputer menyediakan berbagai perangkat untuk mengumpulkan, mengelola, dan menyimpan big data secara efektif dan efisien, sedangkan bidang statistika mengembangkan berbagai perangkat untuk mengolah dan mengambil kesimpulan dari big data yang tersedia. Analisis yang diperlukan dalam memanfaatkan big data diantaranya bertujuan untuk klasifikasi dan peramalan. Untuk tujuan inilah peranan NN dan juga metode soft computing lain sangat diperlukan, sehingga peluang untuk mengembangkan penelitian metode analisis dan aplikasi NN untuk menangani big data ini masih terbuka luas.
