1. Feedforward Neural Network (FFNN)
Bayangin jalur tol satu arah: data masuk lewat gerbang input, ngebut melewati beberapa “terowongan” (hidden layer), lalu keluar di pintu tol output tanpa pernah putar balik. Model ini jago untuk tugas klasifikasi atau regresi yang nggak butuh konteks urutan misalnya memprediksi harga rumah atau menebak apakah foto itu “kucing” atau “bukan kucing”.
Kelebihan: gampang dilatih, komputasi ringan.
Batasan: kurang cocok buat data berurutan seperti teks panjang atau suara.
2. Recurrent Neural Network (RNN)
Sekarang bayangin jalur yang bisa “liat kaca spion”. RNN punya loop internal, jadi setiap langkah input ikut membawa “ingatan” langkah sebelumnya. Cocok buat segala yang berbumbu urutan waktu: terjemahan kalimat, analisis sentimen, deteksi pola suara.
Kelebihan: peka konteks kata sebelum-nya memengaruhi kata sesudah-nya.
Batasan: rawan “vanishing gradient” (memori cepat pudar) dan training lebih lama. Versi canggih seperti LSTM/GRU dipakai untuk mengakali masalah ini.
3. Convolutional Neural Network (CNN)
Kalau FFNN tol, CNN itu scanner foto high-tech. Lapisan konvolusi menyapu gambar pakai “filter” kecil, nangkep tepi, tekstur, sampai akhirnya paham objek kompleks. Pahlawan di dunia vision: deteksi wajah, self-driving car, sampai diagnosis kanker lewat MRI.
Kelebihan: sangat tajam buat data berbentuk grid (gambar, video), bisa diadaptasi ke teks/audio.
Batasan: butuh GPU mumpuni dan bukan pilihan utama untuk data sekuens panjang murni teks.
4. Generative Adversarial Network (GAN)
Duo rival kreatif: generator bikin data palsu, discriminator menilai asli atau palsu. Mereka “berantem” sampai generator lihai menciptakan gambar, suara, bahkan video yang tampak nyata. Dipakai untuk bikin wajah fiksi, restorasi foto lawas, hingga gaya seni baru.
Kelebihan: hasil bisa super-realistis.
Batasan: training gampang “gagal stabil”, plus isu etika (deepfake, dsb.) jadi PR serius.
Singkatnya:
FFNN = jalur lurus; simpel dan cepat untuk prediksi statis.
RNN = ingatan jangka pendek; ahli proses kalimat & sinyal waktu.
CNN = mata elang; spesialis gambar & pola spasial.
GAN = seniman digital; jago bikin konten baru yang bikin melongo.
Empat rasa ini saling melengkapi, dan sering digabung dalam aplikasi dunia nyata misalnya, sistem teks-ke-gambar pakai RNN (nangkap caption) + CNN (render visual) + GAN (halusinasi detail). Terus eksplorasi dan eksperimen: siapa tahu proyekmu berikutnya butuh “scanner” CNN atau “seniman” GAN!
Referensi:
Difference between ANN, CNN and RNN
Apa itu Neural Network? Pengertian, Cara Kerja & Pengaplikasianya
Posting Komentar
0Komentar