Algoritma Feedforward Neural Network: Cara Kerja & Penerapan

Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) tidak lepas dari peran jaringan saraf tiruan atau Artificial Neural Network (ANN). Salah satu bentuk paling sederhana sekaligus paling mendasar dari jaringan saraf tiruan adalah Feedforward Neural Network (FNN). Algoritma ini menjadi pondasi penting bagi banyak model AI modern yang saat ini digunakan dalam pengenalan suara, pengenalan gambar, hingga sistem rekomendasi.

Artikel ini akan membahas secara lengkap mengenai pengertian Feedforward Neural Network, arsitektur dasarnya, cara kerjanya, serta contoh penerapannya dalam kehidupan sehari-hari.

 
Pengertian Feedforward Neural Network

Feedforward Neural Network (FNN) adalah salah satu jenis jaringan saraf tiruan di mana aliran informasi hanya bergerak satu arah, yakni dari lapisan input → hidden layer → output layer. Tidak ada aliran balik (feedback loop) dari output kembali ke input, sehingga proses perhitungan berlangsung lurus ke depan.

Inilah sebabnya jaringan ini dinamakan feedforward, atau dalam bahasa Indonesia bisa disebut sebagai jaringan umpan maju.

Sebagai perbandingan, jaringan saraf tiruan lain yang lebih kompleks, seperti Recurrent Neural Network (RNN), memiliki jalur siklus sehingga informasi dapat berputar kembali ke lapisan sebelumnya. Pada FNN, hal tersebut tidak ada, sehingga strukturnya lebih sederhana namun sangat efektif untuk berbagai kasus.

Sederhananya, Feedforward Neural Network bekerja seperti proses manusia membaca sebuah kalimat: mata melihat huruf (input), otak memproses huruf menjadi kata (hidden layer), lalu menghasilkan pemahaman makna (output). Tidak ada proses "mengulang kembali" ke awal setiap kali satu kata dipahami.

 
Arsitektur Feedforward Neural Network

Struktur atau arsitektur FNN terdiri dari tiga lapisan utama, yaitu:

• Input Layer
  
  • Berisi neuron yang menerima data mentah atau fitur dari dataset.
  • Jumlah neuron pada lapisan input sama dengan jumlah fitur dalam data.
  • Contoh: jika kita ingin mengenali tulisan angka, maka setiap piksel gambar dapat menjadi neuron input.
• Hidden Layer
  
  • Berada di antara input dan output.
  • Bertugas melakukan transformasi atau perhitungan dari data yang masuk sebelum menghasilkan output.
  • Setiap neuron dalam hidden layer memiliki bobot (weight) yang berbeda dan akan terus diperbarui saat proses pelatihan (training).
• Output Layer
  
  • Lapisan terakhir yang menghasilkan hasil prediksi dari jaringan.
  • Jumlah neuron pada lapisan ini bergantung pada jenis masalah.
  • Misalnya, untuk klasifikasi biner (ya/tidak), output biasanya hanya 1 neuron.

Selain ketiga lapisan utama ini, terdapat juga elemen penting lain yaitu bobot (weights) dan bias.

• Bobot menentukan seberapa kuat hubungan antar neuron.
• Bias berfungsi sebagai pengatur tambahan agar jaringan bisa menghasilkan keputusan yang lebih fleksibel.
   

Cara Kerja Feedforward Neural Network

Meskipun terlihat sederhana, cara kerja Feedforward Neural Network melibatkan beberapa langkah matematis penting. Berikut tahapan prosesnya:

1. Penerimaan Input
   Data awal masuk melalui input layer. Setiap fitur dikalikan dengan bobot tertentu yang sudah ditetapkan (pada awalnya bobot bernilai acak).

2. Perhitungan Aktivasi
   Nilai hasil perkalian input dan bobot dijumlahkan. Kemudian, hasil tersebut melewati fungsi aktivasi. Fungsi ini menentukan apakah neuron tersebut akan “aktif” atau tidak.Contoh fungsi aktivasi yang sering digunakan:

   • Sigmoid: menghasilkan nilai antara 0 hingga 1.
   • ReLU (Rectified Linear Unit): hanya menghasilkan nilai positif, jika negatif maka dianggap nol.
   • Tanh: menghasilkan nilai antara -1 hingga 1.

3. Forward Propagation
   Hasil dari hidden layer diteruskan ke lapisan berikutnya hingga akhirnya mencapai output layer. Proses inilah yang disebut sebagai forward propagation.

4. Perbandingan dengan Label Sebenarnya
   Output yang dihasilkan kemudian dibandingkan dengan label asli (nilai kebenaran) menggunakan fungsi loss atau error.

5. Optimisasi Bobot (Training dengan Backpropagation)
   Agar prediksi semakin akurat, jaringan harus memperbarui bobot. Caranya adalah dengan backpropagation, yaitu proses mengirim kembali error ke lapisan sebelumnya untuk memperbaiki bobot.

   • Jika prediksi salah, bobot akan disesuaikan.
   • Proses ini dilakukan berulang-ulang hingga error semakin kecil.

6. Hasil Prediksi
   Setelah jaringan terlatih dengan baik, FNN bisa digunakan untuk melakukan prediksi pada data baru dengan tingkat akurasi yang tinggi.

Kelebihan Feedforward Neural Network

• Struktur sederhana dan mudah dipahami
  Feedforward Neural Network (FNN) merupakan model jaringan saraf tiruan paling dasar. Struktur ini tidak melibatkan aliran balik (loop), sehingga mudah dipelajari bahkan oleh pemula. Karena kesederhanaannya, FNN sering dijadikan langkah awal bagi siapa saja yang ingin memahami cara kerja kecerdasan buatan.

• Cocok untuk masalah klasifikasi dan regresi sederhana
  FNN dapat digunakan untuk berbagai tugas dasar seperti pengenalan pola, klasifikasi objek, atau prediksi numerik. Misalnya, untuk menentukan apakah sebuah gambar termasuk kategori “kucing” atau “anjing”, atau memprediksi nilai suatu variabel berdasarkan data masukan sederhana.

• Proses komputasi lebih cepat
  Karena data hanya bergerak ke satu arah, dari input menuju output, proses perhitungan dalam FNN relatif efisien. Tidak adanya siklus membuat model ini membutuhkan sumber daya komputasi lebih sedikit dibandingkan jaringan saraf lain yang lebih kompleks.

• Mudah dikembangkan menjadi model kompleks
  Walaupun sederhana, FNN bisa dijadikan fondasi untuk membangun model neural network yang lebih maju. Banyak arsitektur populer seperti Convolutional Neural Network (CNN) untuk pengolahan gambar dan Recurrent Neural Network (RNN) untuk data berurutan, awalnya dikembangkan dari konsep dasar FNN.
   

Kekurangan Feedforward Neural Network

• Tidak cocok untuk data berurutan
  FNN tidak memiliki mekanisme untuk mengingat informasi dari input sebelumnya. Hal ini membuatnya kurang tepat digunakan pada pemrosesan bahasa alami (Natural Language Processing/NLP), analisis teks panjang, atau data time series seperti harga saham harian.

• Membutuhkan banyak data untuk akurasi tinggi
  Seperti sebagian besar model pembelajaran mesin, FNN memerlukan dataset besar agar bisa menghasilkan prediksi yang akurat. Jika data yang tersedia sedikit, model cenderung menghasilkan hasil prediksi yang tidak stabil atau bahkan salah.

• Sulit menangani masalah non-linear yang kompleks
  Meskipun FNN dapat menggunakan beberapa hidden layer untuk menangani data non-linear, tetap ada batasannya. Untuk masalah yang sangat kompleks, model lain seperti CNN, RNN, atau Transformer lebih efisien dan menghasilkan akurasi lebih baik.
   

Contoh Penerapan Feedforward Neural Network

1. Pengenalan Gambar Sederhana
   FNN dapat digunakan untuk mengenali objek sederhana seperti huruf atau angka tulisan tangan. Salah satu contohnya adalah dalam dataset MNIST yang sering dipakai sebagai latihan awal bagi peneliti AI.

2. Prediksi Harga
   Dalam dunia bisnis dan properti, FNN bisa digunakan untuk memprediksi harga rumah. Model akan mempertimbangkan faktor-faktor seperti luas tanah, lokasi, jumlah kamar, hingga kondisi rumah untuk menghasilkan estimasi harga yang mendekati kenyataan.

3. Klasifikasi Dokumen
   Feedforward Neural Network juga bisa membantu memilah dokumen atau email. Misalnya, sistem dapat menentukan apakah sebuah email termasuk spam atau bukan berdasarkan pola kata yang sering muncul.

4. Sistem Rekomendasi Awal
   Pada tahap dasar sistem rekomendasi, FNN bisa digunakan untuk mencocokkan preferensi sederhana pengguna. Misalnya, jika pengguna sering menonton film bergenre aksi, sistem akan merekomendasikan film dengan genre serupa.
    

Ilustrasi Kasus: Pengenalan Angka Tangan

Bayangkan kita memiliki gambar angka tulisan tangan "5". Setiap piksel gambar (misalnya 28x28 piksel) dijadikan sebagai neuron input.

• Input Layer: 784 neuron (28x28 piksel).
• Hidden Layer: Menerapkan bobot dan fungsi aktivasi untuk mengenali pola garis melengkung angka 5.
• Output Layer: 10 neuron (0–9). Neuron dengan probabilitas tertinggi menunjukkan angka hasil prediksi.

Jika output layer menunjukkan neuron “5” dengan nilai 0,95 (95%), maka jaringan berhasil mengenali angka tersebut.

 
Masa Depan Feedforward Neural Network

Meskipun dianggap sederhana, FNN tetap menjadi dasar dari banyak algoritma modern. Pengetahuan tentang cara kerja FNN penting untuk memahami model yang lebih kompleks seperti:

• CNN (Convolutional Neural Network) untuk pengenalan gambar.
• RNN (Recurrent Neural Network) untuk data berurutan.
• Transformer yang kini menjadi tulang punggung model bahasa besar (Large Language Model) seperti GPT.

Tanpa memahami dasar-dasar FNN, akan sulit memahami perkembangan AI saat ini.

 
Kesimpulan

Feedforward Neural Network adalah jenis jaringan saraf tiruan paling sederhana dengan alur informasi satu arah, dari input ke output tanpa adanya umpan balik. Arsitekturnya terdiri dari input layer, hidden layer, dan output layer, dihubungkan oleh bobot dan bias.

Cara kerjanya melibatkan forward propagation, perhitungan error, lalu perbaikan bobot dengan backpropagation. Meski sederhana, FNN memiliki peran besar dalam sejarah kecerdasan buatan dan tetap digunakan untuk berbagai aplikasi dasar, seperti klasifikasi, prediksi, dan pengenalan pola.

Memahami FNN bukan hanya sekadar mempelajari algoritma lama, melainkan membangun fondasi penting untuk memahami AI modern.