Teori dan Penerapan Backpropagation Neural Networks untuk Internet of Things: Online dan Batch Mode

Abstract

Riset kecerdasan artifisial kini kian berkembang pesat dan telah banyak berhasil diimplementasikan di berbagai sektor seperti kesehatan, pendidikan, keuangan, keamanan, bisnis hingga industri 4.0. Kecerdasan artifisial sejatinya memiliki esensi yang berasal dari lahirnya kembali penelitian artificial neural networks, yaitu deep learning. Akan tetapi, kemajuan yang pesat dari penelitian topik ini, yang mana hingga banyaknya bermunculan library dan toolbox, tidak diimbangi dengan pemahaman mendasar pembelajaran backpropagation neural networks. Padahal, dalam menerapkan deep learning akan dihadapkan pada bagaimana pengaturan parameter yang tepat agar deep learning dapat bekerja efektif dan efisien, yakni tidak dengan cara pengaturan parameter secara asal-asalan. Terlebih lagi, ketergantungan pada penggunaan library dapat mengakibatkan ketergantungan tanpa memahami konsep dasar yang akan menyulitkan pada pengembangan penelitian selanjutnya seperti bagaimana melakukan rekayasa penggunaan gradient dalam memperbarui bobot. Oleh karena itu, artikel ini berupaya untuk mengedukasi pembaca mengenai penggunaan gradient dalam prosedur backpropagation neural networks melalui dua pendekatan pembelajaran, yaitu online  (stochastic gradient descent) dan batch (gradient descent) mode. Untuk pemahaman yang lebih baik, kedua pendekatan ini diaplikasikan pada kasus Internet of Things dan didemonstrasikan analisis perbandingan pola tingkat nilai error menggunakan komputasi MatLab.