1. Ananda afaf aulia

2. Naila rasya syakira

3. Nur khaeril al fachri

4. Refina febri lestari

5. Salwa putri isnaeni

Mata manusia sangat mudah dalam mengenali dan membedakan objek di dunia nyata. Manusia juga dapat dengan mudah membaca dan memahami arti dari suatu teks dalam kalimat. Hal ini dikarenakan manusia memiliki sensor dan perangkat pengolah data yang lengkap, seperti mata dan otak. Mata berfungsi untuk mengenali objek, kemudian informasi mengenai objek ini dikirimkan ke otak untuk diolah dengan sangat cepat. Namun, akan sangat berbeda dengan komputer, sesuatu yang terlihat sangat sederhana dilakukan oleh manusia akan menjadi sangat sulit dilakukan oleh komputer.

Namun, komputer memiliki kemampuan mengolah proses perhitungan matematis yang kompleks dengan sangat cepat, sementara manusia tidak. Hal ini menjadi sangat menarik, mengingat kemampuan manusia dan komputer ternyata saling berbanding terbalik namun juga dapat saling menggantikan. Salah satu metode yang diklaim meniru cara kerja otak manusia dalam mengenali sesuatu adalah algoritme jaringan saraf tiruan (JST) atau dike- nal juga dengan istilah artificial neural networks (ANN). Otak manusia bekerja dengan memanfaatkan kemampuan neuron menerima sinyal dari sensor, mengolahnya, dan mengirimkan kembali hasilnya. Neuron satu dengan yang lain terhubung oleh sinapsis, dan jumlahnya dapat mencapai lebih dari miliaran.

Perubahan seiring usia dan pengetahuan memengaruhi jumlah neuron dan sinapsis: digunakan lebih sering, bertambah; digunakan lebih jarang, berkurang. Beda dengan komputer, di mana peneliti tentukan jumlah neuron dan node.

Algoritme ANN dimulai dari input, terhubung ke "hidden layer," dan output, dihitung berulang untuk model terbaik. Mirip supervised learning, data latih ditentukan oleh peneliti untuk mengenali objek seperti gambar, teks, atau suara.

Akurasi algoritme ANN bergantung pada kualitas dan kuantitas data. "Garbage In Garbage Out" berlaku: input buruk hasilkan output buruk, input baik hasilkan output baik. Kualitas input diperbaiki dengan pemilihan fitur, ubah parameter seperti learning rate, dan regularization.

Learning rate, parameter pelatihan, koreksi bobot. Nilai 0-1, besar cepat komputasi, kecil lambat. Ketelitian algoritme bergantung pada learning rate: besar kurang tepat, kecil lebih tepat.

Hidden layer bertugas untuk mengukur jarak antara data input dengan nilai pusat dari RBF. Nilai RBF akan mencapai puncak atau nilai tertinggi ketika jarak antara pusat dengan data input bernilai nol dan berkurang secara bertahap, dengan semakin jauhnya jarak. Output akan bernilai 1 jika data input pada pusat fungsi, tetapi akan terus menurun seiring dengan semakin besarnya jarak antara input dan pusat, jarak terjauh berarti memi- liki nilai 0.

Seperti halnya MLP, RBFNN juga dapat digunakan untuk analisis kasus- kasus non-linear yang kompleks. RBFNN membutuhkan waktu komputasi yang lebih lama dibandingkan dengan MLP meskipun menggunakan nilai learning rate dan arsitektur jaringan yang sama. Namun, algoritme RBFNN dapat memberikan hasil dengan akurasi yang lebih tinggi dibandingkan algoritme MLP.

Kini, peneliti mampu memanfaatkan algoritme JST, bahkan dengan spesifikasi komputer yang rendah. Bahkan, proses komputasi juga dapat berjalan di dalam jaringan dengan bantuan layanan berbasis cloud seperti Jupyter Notebook, Visual Studio Code (VS Code), nteract, Jupyterlite, dan Google Colaboratory atau lebih dikenal dengan istilah Google Colab.

dibalik semua kelebihan tersebut terdapat juga banyak kele- mahan dari algoritme JST di antaranya adalah membutuhkan banyak sekali data latih yang belum tentu tersedia dan jikapun tersedia belum tentu berkualitas. Algoritme JST juga dikenal membutuhkan waktu komputasi yang lama (computationally expensive) karena proses pelatihan dapat ber- jam-jam hingga berhari-hari tergantung pada ukuran, kedalaman, dan kompleksitas dari arsitektur jaringan yang digunakan yang lama (computationally expensive) karena proses pelatihan dapat ber- jam-jam hingga berhari-hari tergantung pada ukuran, kedalaman, dan kompleksitas dari arsitektur jaringan yang digunakan.

Tidak terdapat aturan baku yang mengikat mengenai arsitektur jaringan (misal, penentuan jumlah hidden layer dan node) sehingga arsitektur yang sesuai diperoleh melalui proses trial and error. Algoritme JST juga merupakan model black-box, membutuhkan optimasi tambahan dan penentuan para meter yang banyak seperti learning rate, momentum factor, sigmoid constant, dan jumlah iterasi (epoch). Algoritme juga mudah terjebak pada kondisi overfitting jika data latih yang digunakan tidak cukup banyak atau tidak sesuai.

MLP termasuk ke dalam analisis statistik bebas distribusi, artinya tidak menghiraukan distribusi data atau non-parametris. MLP dapat digunakan untuk analisis non-linear seperti fungsi matematis yang kompleks untuk mengubah nilai masukan (input) seperti citra satelit untuk menghasilkan nilai luaran berupa kelas tutupan dan penggunaan lahan.