Jejaring saraf

Jejaring saraf adalah sekelompok unit yang saling terhubung yang disebut saraf. Saraf dapat mengirimkan sinyal ke satu sama lain. Saraf dapat berupa sel biologis atau model matematika. Meskipun saraf secara individu bersifat cukup sederhana, secara kolektif (dalam jejaring) mereka dapat menyelesaikan tugas yang kompleks. Ada 2 tipe utama jejaring saraf.

Dalam biologi

Animasi Mikrograf confocal dari satu bagian jaringan saraf biologis pada striatum tikus

Dalam pembahasan biologi, jejaring saraf adalah populasi saraf biologi yang terhubung secara kimiawi melalui sinaps. Sekumpulan saraf dapat saling terhubung melalui ratusan ribu sinaps.[1] Setiap saraf menerima dan mengirimkan sinyal elektrokimiawi yang disebut potensial-aksi ke saraf tetangganya. Sebuah saraf dapat berperan sebagai eksitator, menguatkan dan menghantarkan sinyal yang ia terima, atau inhibitor, yang menekan sinyal yang ia terima.[1]

Populasi saraf saling terhubung yang ukurannya lebih kecil dari jejaring saraf disebut sirkuit saraf. Jejaring yang saling terhubung dengan ukuran sangat besar disebut jejaring otak berskala besar, dan sering kali membentuk organ otak dan sistem saraf.

Sinyal yang dihasilkan oleh jejaring saraf di otak pada akhirnya berjalan melalui sistam saraf dan sambungan neuromuskular ke sel otot, di mana mereka menyebabkan kontraksi dan gerak.[2]

Dalam pemelajaran mesin

Artikel utama: Jejaring saraf (pemelajaran mesin)
Skema jejaring saraf tiruan umpan maju sederhana

Pada pemelajaran mesin, sebuah jejaring saraf adalah model matematika buatan yang digunakan untuk memperkirakan fungsi nonlinear. Meskipun jejaring saraf tiruan pada awalnya berbentuk mesin fisik,[3] hari ini hampir selalu diterapkan di perangkat lunak.

Saraf dalam jejaring saraf tiruan biasanya diatur dalam lapisan-lapisan, dengan informasi lewat dari lapisan pertama (lapisan input), menuju satu atau lebih lapisan perantara (lapisan tersembunyi), sampai ke lapisan terakhir (lapisan output).[4] Input "sinyal" ke setiap saraf berupa angka, secara spesifik berupa kombinasi linear dari output saraf di lapisan sebelumnya. Sinyal output dari setiap neuron dikalkulasi dari angka ini, sesuai dengan fungsi aktivasinya. Perilaku dari jejaring bergantung pada kekuatan (atau berat) dari hubungan antar saraf. Sebuah jejaring dilatih dengan memodifikasi kekuatan ini dengan minimalisasi resiko empiris atau rambatan balik untuk menyesuaikan dengan set data yang sudah ada.[5]

Jejaring saraf digunakan untuk menyelesaikan masalah-masalah di bidang kecerdasan buatan, dan sekarang menemukan penerapan di berbagai disiplin, termasuk pemodelan prediktif, kontrol adaptif, pengenalan wajah, pengenalan tulisan tangan, game, dan kecerdasan buatan generatif.

Sejarah

Basis teoritis dari jejaring saraf kontemporer diusulkan secara independen oleh Alexander Bain pada 1873[6] dan William James pada 1890.[7] Keduanya menyatakan bahwa pikiran manusia muncul dari interaksi saraf dalam jumlah yang besar di otak. Pada 1949, Donald Hebb menjelaskan Pemelajaran Hebbian, sebuah ide di mana jejaring saraf dapat berubah dan belajar seiring waktu dengan menguatkan sebuah sinaps setiap kali sinyal berjalan melaluinya.[8]

Jejaring saraf tiruan pada awalnya digunakan untuk memodelkan jejaring saraf biologis mulai dari 1930-an dengan pendekatan konektivitas. Namun, dimulai dengan penemuan perceptron, sebuah jejaring saraf tiruan sederhana, oleh Warren McCulloch dan Walter Pitts pada 1943,[9] diikuti oleh implementasinya pada perangkat keras oleh Frank Rosenblatt pada 1957,[3] jejaring saraf tiruan menjadi semakin sering digunakan dalam pengaplikasian pemelajaran meisn, dan semakin berbeda dengan versi biologisnya.

Lihat juga

Referensi

  1. ^ a b Shao, Feng; Shen, Zheng (2023-01-09). "How can artificial neural networks approximate the brain?". Frontiers in Psychology. 13. doi:10.3389/fpsyg.2022.970214. ISSN 1664-1078. PMC PMC9868316 alt=Dapat diakses gratis Periksa nilai |pmc= (bantuan). PMID 36698593 Periksa nilai |pmid= (bantuan). 
  2. ^ Levitan, Irwin B.; Kaczmarek, Leonard K. (2015). The neuron: cell and molecular biology (edisi ke-Fourth edition). Oxford ; New York: Oxford University Press. hlm. 153–328. ISBN 978-0-19-977389-3. 
  3. ^ a b Rosenblatt, F. (1958). "The perceptron: A probabilistic model for information storage and organization in the brain". Psychological Review (dalam bahasa Inggris). 65 (6): 386–408. doi:10.1037/h0042519. ISSN 1939-1471. 
  4. ^ Bishop, Christopher M. (2006). Pattern recognition and machine learning. Information science and statistics. New York: Springer. ISBN 978-0-387-31073-2. 
  5. ^ Vapnik, Vladimir N.; Vapnik, Vladimir Naumovich (1998). The nature of statistical learning theory (edisi ke-Corrected 2nd print.). New York Berlin Heidelberg: Springer. ISBN 978-0-387-94559-0. 
  6. ^ Bain, Alexander (1877). Mind and body; The theories of their relation (dalam bahasa Inggris). New York: D Appleton & Company. doi:10.1037/12850-000. 
  7. ^ James, William (1890). The principles of psychology, Vol I (dalam bahasa Inggris). New York: Henry Holt and Co. doi:10.1037/10538-000. 
  8. ^ Hebb, D.O. (2005-04-11). The Organization of Behavior (dalam bahasa Inggris) (edisi ke-0). Psychology Press. doi:10.4324/9781410612403. ISBN 978-1-4106-1240-3. 
  9. ^ McCulloch, Warren S.; Pitts, Walter (1943-12). "A logical calculus of the ideas immanent in nervous activity". The Bulletin of Mathematical Biophysics (dalam bahasa Inggris). 5 (4): 115–133. doi:10.1007/BF02478259. ISSN 0007-4985.