Jaringan saraf pertama disusun oleh Warren McCulloch dan Walter Pitts pada tahun 1943. Mereka menulis makalah tentang bagaimana neuron dapat bekerja dan memodelkan ide-ide mereka dengan membuat jaringan saraf sederhana menggunakan sirkuit listrik.

Model terobosan ini membuka jalan bagi penelitian jaringan saraf di dua bidang:

Penelitian AI dengan cepat dipercepat, dengan Kunihiko Fukushima mengembangkan jaringan saraf berlapis-lapis pertama yang benar pada tahun 1975.

Tujuan awal dari pendekatan jaringan saraf adalah untuk menciptakan sistem komputasi yang dapat memecahkan masalah seperti otak manusia. Namun, seiring waktu, para peneliti mengalihkan fokus mereka untuk menggunakan jaringan saraf untuk mencocokkan tugas-tugas tertentu, yang mengarah pada penyimpangan dari pendekatan biologis yang ketat. Sejak itu, jaringan saraf telah mendukung beragam tugas, termasuk visi komputer, pengenalan suara, terjemahan mesin, penyaringan jaringan sosial, permainan papan dan video, dan diagnosis medis.

Ketika ukuran data terstruktur dan tidak terstruktur meningkat ke tingkat data besar, orang mengembangkan sistem pembelajaran mendalam, yang pada dasarnya adalah jaringan saraf dengan banyak lapisan. Pembelajaran mendalam memungkinkan pengambilan dan penambangan data yang lebih banyak dan lebih besar, termasuk data yang tidak terstruktur.

Mengapa jaringan saraf penting?

Jaringan saraf juga cocok untuk membantu orang memecahkan masalah kompleks dalam situasi kehidupan nyata. Mereka dapat mempelajari dan memodelkan hubungan antara input dan output yang nonlinier dan kompleks; membuat generalisasi dan inferensi; mengungkapkan hubungan tersembunyi, pola dan prediksi; dan memodelkan data yang sangat fluktuatif (seperti data deret waktu keuangan) dan varians yang diperlukan untuk memprediksi kejadian langka (seperti deteksi penipuan). Akibatnya, jaringan saraf dapat meningkatkan proses keputusan di bidang-bidang seperti:

• Deteksi penipuan kartu kredit dan Medicare.
  
• Optimalisasi logistik untuk jaringan transportasi.
• Pengenalan karakter dan suara, juga dikenal sebagai pemrosesan bahasa alami.
• Diagnosa medis dan penyakit.
• Pemasaran yang ditargetkan.
• Prediksi keuangan untuk harga saham, mata uang, opsi, futures, kebangkrutan dan peringkat obligasi.
• Sistem kontrol robot.
• Peramalan beban listrik dan kebutuhan energi.
• Proses dan kontrol kualitas.
• Identifikasi senyawa kimia.
• Evaluasi ekosistem.
• Visi komputer untuk menginterpretasikan foto dan video mentah (misalnya, dalam pencitraan medis dan robotika dan pengenalan wajah).

Tujuan pertama kami untuk jaringan saraf ini, atau model, adalah untuk mencapai akurasi tingkat manusia. Sampai Anda mencapai level itu, Anda selalu tahu bahwa Anda bisa melakukan yang lebih baik.

Jenis Jaringan Syaraf

Ada berbagai jenis jaringan saraf dalam – dan masing-masing memiliki kelebihan dan kekurangan, tergantung pada penggunaannya. Contohnya meliputi:

Jaringan saraf convolutional (CNNs) berisi lima jenis lapisan: input, convolution, pooling, sepenuhnya terhubung dan output. Setiap lapisan memiliki tujuan tertentu, seperti meringkas, menghubungkan atau mengaktifkan. Jaringan saraf convolutional telah mempopulerkan klasifikasi gambar dan deteksi objek. Namun, CNN juga telah diterapkan ke area lain, seperti pemrosesan dan peramalan bahasa alami.

Jaringan saraf berulang (RNNs) menggunakan informasi sekuensial seperti data waktu dari perangkat sensor atau kalimat yang diucapkan, terdiri dari urutan istilah. Tidak seperti jaringan saraf tradisional, semua input ke jaringan saraf berulang tidak independen satu sama lain, dan output untuk setiap elemen tergantung pada perhitungan elemen sebelumnya. RNN digunakan dalam aplikasi peramalan dan deret waktu, analisis sentimen, dan aplikasi teks lainnya.

Jaringan saraf feedforward, di mana setiap perceptron dalam satu lapisan terhubung ke setiap perceptron dari lapisan berikutnya. Informasi diumpankan maju dari satu lapisan ke lapisan berikutnya dalam arah maju saja. Tidak ada loop umpan balik.

Jaringan saraf autoencoder digunakan untuk membuat abstraksi yang disebut encoder, dibuat dari serangkaian input tertentu. Meskipun mirip dengan jaringan saraf yang lebih tradisional, autoencoder berusaha untuk memodelkan input itu sendiri, dan oleh karena itu metode ini dianggap tidak diawasi. Premis autoencoder adalah untuk menghilangkan kepekaan yang tidak relevan dan membuat peka yang relevan. Saat lapisan ditambahkan, abstraksi lebih lanjut dirumuskan pada lapisan yang lebih tinggi (lapisan yang paling dekat dengan titik di mana lapisan dekoder diperkenalkan). Abstraksi ini kemudian dapat digunakan oleh pengklasifikasi linier atau nonlinier.

sumber : https://www.sas.com/id_id/insights/analytics/neural-networks.html