Jaringan Saraf: Dari Sel Saraf Otak ke Algoritma yang Belajar Seperti Manusia

Jaringan Saraf: Dari Sel Saraf Otak ke Algoritma yang Belajar Seperti Manusia. Jaringan saraf bukan sekadar istilah teknikal—ia adalah tiruan canggih dari cara otak manusia memproses maklumat. Dua bentuk utamanya: jaringan saraf biologi dalam sistem saraf hidup, dan jaringan saraf tiruan dalam komputer—keduanya beroperasi melalui interaksi unit asas yang disebut neuron. Walaupun struktur individu sederhana, organisasi berlapis dan berinteraksi memungkinkan pengenalan corak, pengambilan keputusan, dan pembelajaran tanpa arahan. Namun, kekuatan ini datang dengan cabaran besar: ketelusan, keperluan data masif, dan tuntutan komputasi yang tinggi.. Apa Itu Neuron? Unit Asas yang Menghubungkan Dunia Biologi dan Mesin Neuron—atau sel saraf—adalah blok binaan utama sistem saraf haiwan. Di dalam otak manusia, terdapat kira-kira 86 bilion neuron, masing-masing terhubung dengan ribuan neuron lain melalui sinaps—titik pertemuan di mana isyarat kimia dan elektrik dipindahkan. Setiap neuron menerima input dari dendrit, mengintegrasikan isyarat tersebut di badan sel, dan jika jumlahnya melebihi ambang tertentu, menghantar impuls ke akson yang menyambung ke neuron seterusnya. Proses ini, walaupun kelihatan linear, berlaku secara serentak dan berskala besar—membentuk dinamika kompleks yang mendasari persepsi, ingatan, dan tindakan. Dalam sains komputer, ‘neuron tiruan’ adalah fungsi matematik sederhana: ia menerima beberapa input berbobot, menjumlahkannya, menambah bias offset , lalu melalui fungsi aktivasi seperti sigmoid atau ReLU untuk menghasilkan output skalar. Tidak ada membran atau neurotransmiter di sini—hanya algebra linear dan kalkulus asas. Namun, kesamaan konseptualnya begitu mendalam: kedua-dua sistem bergantung pada pengumpulan isyarat , pengambilan keputusan berdasarkan ambang , dan penyesuaian kekuatan hubungan sinaptik pada biologi; bobot pada algoritma . Dua Dunia, Satu Prinsip: Jaringan Saraf Biologi vs Tiruan Jaringan saraf biologi adalah struktur fizikal—organisasi tiga dimensi yang berkembang sejak janin, terus berubah sepanjang hayat melalui plastisiti sinaptik. Ia tidak memerlukan ‘data latih’ dalam bentuk fail CSV, tetapi belajar melalui pengalaman langsung: bayi yang menyentuh api, pelajar yang menghafal rumus, atlet yang melatih refleks. Sebaliknya, jaringan saraf tiruan artificial neural network/ANN adalah model komputasi abstrak, pertama kali dicadangkan oleh McCulloch & Pitts pada 1943, kemudian diperkukuh oleh perceptron Rosenblatt 1957 , dan dihidupkan semula selepas 1980-an dengan algoritma backpropagation . Perbezaan kritikal bukan pada struktur—tetapi pada mekanisme pembelajaran . Otak menggunakan modifikasi sinaptik berbasis waktu spike-timing-dependent plasticity , manakala ANN mengoptimumkan bobot melalui turunan separa dan penurunan kecerunan gradient descent . Contoh nyata: sistem penglihatan visual otak korteks okipital memproses imej dalam hierarki bertingkat—dari tepi dasar hingga objek kompleks—mirip dengan arsitektur Convolutional Neural Network CNN yang digunakan dalam pengenalan muka di telefon pintar. Tetapi CNN tidak ‘melihat’ seperti manusia; ia mengenali statistik korolasi pixel—dan boleh tertipu oleh imej yang kelihatan acak kepada mata manusia tetapi diklasifikasikan sebagai ‘kucing’ dengan keyakinan 99%. Di Balik Kejayaan AI: Data, Kuasa Komputasi, dan ‘Kotak Hitam’ Kejayaan praktikal jaringan saraf tiruan—seperti penterjemahan mesin Google Translate, diagnosis awal tumor dari MRI oleh sistem DeepMind Health, atau cadangan produk di platform e-dagang—tidak lahir dari kecemerlangan teori semata, tetapi dari tiga pilar: 1 kelimpahan data—gambar, teks, audio—yang dikumpul secara global; 2 perkembangan cip GPU dan TPU yang membolehkan pelatihan jutaan parameter dalam jam; dan 3 rekabentuk arkitektur canggih seperti transformers , yang memperkenalkan mekanisme ‘perhatian’ attention untuk menangani konteks jangka panjang. Namun, harga kejayaan ini tinggi. Model seperti GPT-4 atau Gemini dilatih menggunakan ribuan aksesori komputasi selama berminggu-minggu, menghabiskan tenaga setara dengan ratusan rumah berkeluarga dalam sebulan. Lebih kritikal: ANN adalah ‘kotak hitam’. Walaupun kita tahu input dan outputnya, sukar menjelaskan mengapa suatu keputusan dibuat—misalnya, mengapa sistem pinjaman automatik menolak permohonan seseorang. Ini bukan kekurangan teknikal semata, tetapi batasan epistemologi: hubungan antara jutaan bobot dan keputusan akhir tidak dapat direduksi menjadi peraturan logik yang mudah difahami manusia. Implikasi Sosial dan Etika: Apabila Mesin Belajar, Siapa yang Bertanggungjawab? Ketidaktelusan ANN membawa implikasi serius dalam bidang berisiko tinggi: perundangan, perubatan, dan keselamatan awam. Di Estonia, sistem AI digunakan untuk menilai risiko jenayah—tetapi jika algoritma itu bias terhadap kelompok etnik tertentu kerana data latihnya tidak representatif, ia bukan sahaja mengulangi ketidakadilan sosial, tetapi menyembunyikannya di balik ‘objektivitas matematik’. Di Malaysia, projek MyHealth AI sedang menguji model untuk menganalisis gambar X-ray paru-paru bagi deteksi awal TB—tetapi doktor masih perlu memverifikasi setiap diagnosis kerana tiada jaminan bahawa model tidak ‘mengandalkan artefak imej’ seperti label hospi tal, bukan ciri patologi . Soalan refleksi penting timbul: Jika sebuah jaringan saraf tiruan membuat keputusan salah yang menyebabkan kerugian, siapakah yang dipertanggungjawabkan—pengembang kod, penyedia data, pengguna akhir, atau ‘model’ itu sendiri? Jawapan tidak terletak pada teknologi, tetapi pada kerangka undang-undang, literasi AI untuk pembuat dasar, dan prinsip rekabentuk beretika seperti explainable AI XAI , yang berusaha menghasilkan visualisasi ‘peta perhatian’ atau saluran keputusan yang dapat ditafsir. Masa Depan: Dari Tiruan ke Hibrid—Apakah Jaringan Saraf Akan Menjadi Lebih ‘Manusiawi’? Trend terkini bukan lagi hanya membuat ANN lebih besar, tetapi lebih bijak dan efisien. Neurosimulasi—seperti projek BrainScaleS di Jerman—menggunakan cip analog untuk mensimulasikan dinamika neuron biologi secara fizikal, bukan hanya numerik. Di sisi lain, pendekatan neuromorphic computing komputasi neuromorfik seperti cip Intel Loihi meniru cara otak bekerja: proses berbasis peristiwa event-driven , bukan berbasis jam clock-driven , sehingga mengurangkan penggunaan tenaga hingga 1000×. Di peringkat teori, penyelidikan tentang spiking neural networks SNN cuba menggabungkan realisme biologi—isyarat dalam bentuk lonjakan spikes —dengan kecekapan pembelajaran mesin. Ini bukan soal meniru otak secara sempurna, tetapi memahami prinsip-prinsip keberkesanan evolusioner yang telah diuji selama 500 juta tahun. Sebagai penutup, jaringan saraf mengingatkan kita: kecerdasan bukan sekadar hasil pengiraan, tetapi hasil interaksi—antara unit-unit sederhana, antara data dan konteks, antara teknologi dan nilai manusia. Dan seperti otak itu sendiri, pemahaman sebenar tentangnya masih berada di tahap awal—sedang belajar, sedang berubah, dan sedang mencari makna. --- Rujukan: Neural network — Wikipedia https://en.wikipedia.org/wiki/Neural network