In The Beginning
Syaraf di Otak Kita
Seperti yang kita tahu, otak kita terdiri dari Milyaran syaraf (Neurons). Neurons adalah sel - sel yang tersambung. Secara sederhana, syaraf kita menerima signal masukan (dendrite), memproses signal tersebut seperti sebuah CPU (Soma), melanjutkan luaran melalui sebuah struktur seperti kabel ke syaraf lain nya (dari Axon ke Synapse syaraf lain nya). Proses ini adalah sebuah proses yang terlalu disederhanakan karena masih banyak proses lainnya yang terjadi di dalam syaraf.
McCulloch - Pitts Neuron Model
Pada tahun 1943, seorang peneliti bernama Warren McCulloch (seorang Neuroscientist) dan Walter Pitts (Logician) mengusulkan sebuah model komputasi berbasis sel neuron otak manusia.
Model Neruon diatas dapat dibagi menjadi 2 bagian. Bagian pertama, bagian g, mengambil masukan (dendrite), melakukan kalkulasi / agregasi dan berdasarkan hasil kalkulasi, bagian f akan mengambil keputusan.
Mari kita analogi saya ingin memprediksi keputusan kita, antara saya mau makan mie instan atau tidak. Masukan (input) dari model ini hanya boolean {1/0} dan luaran (output) dari model ini juga berbentuk boolean {1/0}, dimana 1 adalah iya dan 0 adalah tidak.
Anggap saja kita memiliki 4 input (x1, x2, x3, x4) dan input tersebut adalah sebagai berikut:
x1 adalah “apakah saya lapar?”
x2 adalah “apakah ada mie instan di rumah?”
x3 adalah “apakah saya malas memasak mie instan?”
x4 adalah “apakah mie instan tersebut adalah brand favorit saya?”
Sebuah input dapat menjadi antara excitatory or inhibitory. Inhibitory input adalah sebuah input yang dapat memberikan efek secara maksimum terhadap keputusan yang diambil tanpa memandang input yang lain, contoh x2 tidak terpenuhi, jika di rumah tidak ada mie instan, makan saya tidak akan makan mie instan meskipun input yang lain terpenuhi. Excitatory input adalah jenis input yang tidak akan mempengaruhi keputusan secara sepihak tetapi akan memberikan pengaruh terhadap keputusan yang diambil. Biasanya ini yang akan terjadi:
Formula matematika diatas adalah sebuah kalkulasi / agregasi sederhana dimana output dari neuron adalah jumlah dari semua input yang ada. Dan, pengambilan keputusan dilakukan dengan cara memakai threshold / ambang batas. Dimana yang menentukan batas tersebut adalah kita sendiri. Dengan memakai contoh di atas, saya akan memasang batas 2, sehingga dimana ada 2 input yang terpenuhi, maka saya akan makan mie instan.
Sejauh ini, McCulloch - Pitts model hanya digunakan untuk fungsi boolean seperti OR, AND, NOR, NOT, dll. Berikut adalah beberapa pertanyaan / kekurangan dari McCulloch - Pitts model:
Bagaiamana jika fungsi bukanlah fungsi boolean?
Apakah kita harus selalu menentukan threshold / ambang batas secara manual?
Apakah semua input sama? Bagaimana ketika kita hendak memberikan prioritas lebih terhadap sebuah input?
Bagaimana dengan fungsi yang tidak dapat dipisahkan secara linear (XOR)?
Di pembahasan berikutnya, kita akan membahas mengenai perceptron yang di usulkan oleh Frank Rosenblatt pada tahun 1958. Perceptron dapat men-generalisasi model komputasi lebih baik dibandingkan dengan McCulloch - Pitts model dimana beban (weights) dan ambang batas (threshold) dapat dipelajari seiring berjalannya komputasi.