Gambaran Sederhana Artificial Neural Network

Gambaran Sederhana Artificial Neural Network

Catatan Belajar oleh : Reza Ervani bin Asmanu

Proses training dalam Artificial Neural Network (ANN) melibatkan penyesuaian bobot (weights) dan bias dalam jaringan berdasarkan data pelatihan (training data) untuk meminimalkan kesalahan dalam prediksi jaringan. Mari kita lihat contoh sederhana untuk menjelaskan proses ini dengan menggunakan sebuah ANN yang sangat sederhana, yaitu jaringan dengan satu neuron tunggal.

Contoh:

• Jaringan: Satu neuron dengan satu input.
• Input: Misalnya, input data adalah nilai x.
• Bobot dan Bias: Awalnya, kita mulai dengan bobot w dan bias b yang memiliki nilai acak (misalnya w = 0.5 dan b = 0.0).
• Aktivasi: Fungsi aktivasi yang digunakan bisa menjadi fungsi linear sederhana, y = w * x + b.

Proses Training:

1. Data Pelatihan: Misalnya, kita memiliki data pelatihan sederhana:
   • Data Input: x = 1, x = 2, x = 3.
   • Data Target: y_true = 2, y_true = 4, y_true = 6.
2. Forward Pass: Untuk setiap data input, neuron menghasilkan output berdasarkan bobot dan bias:
   • Misalnya, untuk x = 1:
     • Output neuron: y_pred = w * x + b = 0.5 * 1 + 0 = 0.5.
     • Target sebenarnya: y_true = 2.
3. Menghitung Kesalahan: Gunakan fungsi loss (misalnya, mean squared error) untuk menghitung kesalahan antara output neuron (y_pred) dan target sebenarnya (y_true):
   • error = (y_pred - y_true) ^ 2 = (0.5 - 2) ^ 2 = 2.25.
4. Backward Pass: Berdasarkan kesalahan, lakukan penyesuaian bobot dan bias untuk mengurangi kesalahan. Metode penyesuaian bobot biasanya dilakukan dengan gradien turun (gradient descent):
   • Hitung gradien untuk bobot dan bias:
     • grad_w = 2 * (y_pred - y_true) * x = 2 * (0.5 - 2) * 1 = -3.0.
     • grad_b = 2 * (y_pred - y_true) = 2 * (0.5 - 2) = -3.0.
   • Update bobot dan bias dengan cara menguranginya dengan perkalian dari gradien dan laju pembelajaran (learning rate):
     • Laju pembelajaran (learning rate) misalnya 0.1:
     • w = w - learning rate * grad_w = 0.5 - 0.1 * -3.0 = 0.8.
     • b = b - learning rate * grad_b = 0.0 - 0.1 * -3.0 = 0.3.
5. Ulangi: Ulangi langkah 2 hingga 4 untuk data pelatihan lainnya dan untuk beberapa epoch (siklus) sampai bobot dan bias telah cukup ditingkatkan untuk meminimalkan kesalahan.
6. Evaluasi: Setelah proses training, evaluasi performa jaringan dengan menggunakan data uji untuk melihat seberapa baik jaringan telah dilatih.

Dengan mengulangi proses ini pada setiap data pelatihan dan siklus training, ANN akan menyesuaikan bobot dan biasnya sehingga output dari neuron semakin mendekati target yang diinginkan.