Long short-term Memory Neural Network (LSTM), Gated Reccurent Unit (GRU), & Bidirectional Long short-term Memory Neural Network (Bi-LSTM) - Definisi, Kelebihan & Kekurangan

Long short-term Memory Neural Network (LSTM), Gated Reccurent Unit (GRU), & Bidirectional Long short-term  Memory Neural Network (Bi-LSTM) - Neural Network

Mungkin kamu pernah mendengar tentang neural network atau jaringan saraf tiruan. Nah, neural network ini sebenarnya adalah salah satu teknologi keren yang digunakan untuk membuat mesin atau komputer belajar seperti manusia. 

Jadi, bayangkan jika komputer bisa belajar dan mengambil keputusan seperti manusia. Neural network ini mirip dengan otak manusia, dengan jaringan neuron yang saling terhubung. Neuron-neuron ini dapat menerima input, memprosesnya, dan menghasilkan output.

Konsepnya sederhana, tapi sangat kuat. Neural network dapat mempelajari pola-pola dalam data dan membuat prediksi berdasarkan pola-pola tersebut. Jadi, misalnya kita ingin melatih neural network untuk mengenali gambar kucing, kita memberikan banyak contoh gambar kucing dan memberitahu neural network bahwa itu adalah kucing. Kemudian, neural network akan mempelajari pola-pola dalam gambar kucing tersebut dan bisa mengenali kucing pada gambar yang belum pernah dilihat sebelumnya.

Yang menarik adalah neural network ini tidak perlu diprogram secara eksplisit untuk setiap tugas. Mereka bisa belajar sendiri dari data yang diberikan dan meningkatkan kinerjanya seiring waktu. Neural network juga bisa digunakan dalam banyak hal, seperti mengenali wajah, menerjemahkan bahasa, dan bahkan mengemudi mobil otonom.

Jadi, neural network ini memungkinkan komputer untuk belajar dan menjadi lebih pintar dalam memahami dunia di sekitarnya. Ini adalah salah satu teknologi terkini yang sedang berkembang pesat dan dapat memberikan dampak besar dalam berbagai bidang. 

Pada artikel ini kita akan membahas tentang beberapa algoritma yang digunakan dalam Neural Network ini meliputi definisi, perbedaan masing-masing algoritma dan kelebihan serta kekurangannya, untuk memperluas wawasan kita. Selamat membaca!

Algoritma Neural Network

Dalam pengembangannya, neural network menggunakan berbagai algoritma yang mendukung kinerja dan efisiensi-nya. Berikut ini adalah algoritma-algoritma yang digunakan pada Neural Network :

1. Long Short-Term Memory Neural Network (LSTM) adalah jenis arsitektur jaringan saraf tiruan (neural network) yang dikembangkan khusus untuk menangani masalah pemrosesan dan prediksi urutan atau rangkaian data dalam bidang pembelajaran mesin. LSTM dikenal karena kemampuannya dalam menangani tantangan yang terkait dengan memori jangka panjang dalam data urutan. LSTM dirancang untuk mengatasi masalah "vanishing gradient" yang terjadi pada jaringan saraf biasa saat menghadapi urutan data yang panjang. 

Vanishing gradient merupakan fenomena di mana gradien (gradient) yang diperlukan untuk memperbarui bobot jaringan menjadi sangat kecil atau hilang seiring dengan meningkatnya kedalaman jaringan, sehingga menghambat pembelajaran yang efektif. Arsitektur LSTM menggunakan unit memori khusus yang disebut "cell state" untuk menyimpan informasi jangka panjang. Cell state ini berfungsi untuk mengatur dan mempertahankan informasi yang relevan dari urutan data sebelumnya, sehingga memungkinkan jaringan untuk "mengingat" hubungan konteks yang penting dalam data urutan yang panjang. Selain itu, LSTM juga menggunakan tiga jenis gerbang (gate) yang terdiri dari "forget gate", "input gate", dan "output gate". 

Gerbang-gerbang ini memungkinkan jaringan untuk mengontrol aliran informasi dalam cell state, serta mengatur sejauh mana informasi baru dapat dimasukkan dan sejauh mana informasi yang relevan dapat dikeluarkan. Dengan menggunakan kombinasi unit memori dan gerbang, LSTM dapat mempelajari dan mengenali pola yang kompleks dalam urutan data, serta mengatasi masalah "vanishing gradient". Hal ini membuat LSTM sangat efektif dalam aplikasi yang melibatkan urutan data, seperti pengenalan tulisan tangan, pemrosesan bahasa alami, pemodelan urutan waktu, dan masih banyak lagi. Dalam beberapa tahun terakhir, LSTM telah menjadi arsitektur yang sangat populer dalam bidang deep learning dan telah memberikan kontribusi besar dalam meningkatkan performa dan kemampuan jaringan saraf dalam memahami, memproses, dan memprediksi data urutan dengan lebih baik.

2. Gated Reccurent Unit (GRU) adalah jenis sel rekurensi yang digunakan dalam jaringan saraf rekurensi (RNN). GRU dikembangkan sebagai alternatif yang lebih sederhana tetapi masih efektif dibandingkan dengan sel rekurensi lainnya, seperti Long Short-Term Memory (LSTM).

GRU dirancang untuk mengatasi masalah vanishing gradient yang sering terjadi dalam RNN tradisional. Masalah ini terjadi ketika gradien error yang dikirimkan ke lapisan-lapisan sebelumnya menjadi sangat kecil sehingga pembelajaran menjadi lambat atau bahkan berhenti.

GRU menggunakan dua gate (pintu) utama: gate reset (reset gate) dan gate update (update gate). Mari kita jelaskan fungsi masing-masing gate tersebut:

1. Gate Reset (Reset Gate):

Gate reset membantu memutuskan seberapa banyak informasi lama yang harus dilupakan sebelum memperbarui informasi baru. Gate reset menggunakan fungsi sigmoid untuk menghasilkan vektor reset, yang mengontrol sejauh mana informasi masa lalu akan dipertahankan. Nilai 0 pada vektor reset mengindikasikan bahwa seluruh informasi masa lalu diabaikan, sedangkan nilai 1 mengindikasikan bahwa semua informasi masa lalu dipertahankan.

2. Gate Update (Update Gate):

Gate update membantu memutuskan seberapa banyak informasi baru yang harus diperbarui dalam sel. Gate update juga menggunakan fungsi sigmoid untuk menghasilkan vektor update, yang mengontrol sejauh mana informasi baru akan diintegrasikan dengan informasi yang ada. Nilai 0 pada vektor update mengindikasikan bahwa informasi baru diabaikan sepenuhnya, sedangkan nilai 1 mengindikasikan bahwa informasi baru sepenuhnya diperbarui.

Selain dua gate utama, GRU juga menggunakan hidden state (h) yang mempertahankan informasi konteks yang berkembang seiring waktu. Hidden state ini diupdate berdasarkan gate reset dan gate update, serta input saat ini. Dalam GRU, informasi konteks yang lama dan informasi konteks yang baru digabungkan untuk menghasilkan hidden state yang diperbarui.

Keunggulan GRU adalah kemampuannya untuk memperbarui informasi dalam konteks jangka panjang dan konteks jangka pendek secara adaptif. Dalam LSTM, terdapat sel pemrosesan terpisah, sedangkan dalam GRU, hanya ada satu sel yang menggabungkan informasi-reset dan informasi-update. Hal ini membuat GRU lebih sederhana dalam arsitekturnya.

GRU telah digunakan secara luas dalam berbagai tugas pengenalan ucapan, pemrosesan bahasa alami, dan pemodelan urutan lainnya. Dalam aplikasi seperti penerjemahan mesin, pemahaman bahasa, dan generasi teks, GRU telah terbukti menjadi komponen penting dalam mempelajari dan memahami pola dalam data urutan. Dalam beberapa kasus, GRU dapat memberikan performa yang setara dengan LSTM tetapi dengan jumlah parameter yang lebih sedikit, sehingga mempercepat waktu pelatihan dan inferensi.

3. Bidirectional Long Short-Term Memory Neural Network (Bi-LSTM) adalah sebuah jenis jaringan saraf rekurensi (RNN) yang digunakan dalam pemrosesan urutan data. Bi-LSTM menggabungkan konsep dari LSTM (Long Short-Term Memory) dengan kemampuan untuk mengolah data secara maju (forward) dan mundur (backward) dalam urutan tersebut.

LSTM adalah sebuah varian dari RNN yang dirancang untuk mengatasi masalah gradien yang menghilang atau meledak, serta mengatasi ketergantungan jarak jauh dalam urutan data. Hal ini memungkinkan LSTM untuk menyimpan dan mengakses informasi jangka panjang dari urutan data yang panjang.

Bi-LSTM beroperasi dalam dua arah: maju (forward) dan mundur (backward). Dalam arah maju, data urutan diproses dari awal ke akhir, sedangkan dalam arah mundur, data urutan diproses dari akhir ke awal. Dengan menggabungkan kedua arah ini, Bi-LSTM dapat menangkap informasi kontekstual dari kedua arah dan memperkaya pemahaman tentang hubungan antar elemen dalam urutan data.

Dalam Bi-LSTM, setiap arah memiliki unit LSTM sendiri. Unit LSTM pada arah maju dan mundur memiliki parameter yang terpisah, tetapi mereka berbagi input dari urutan data yang sama. Setelah data melewati kedua arah, output dari masing-masing unit LSTM digabungkan untuk menghasilkan representasi yang kaya dan komprehensif dari urutan data.

Keuntungan dari menggunakan Bi-LSTM adalah kemampuannya untuk menangkap konteks sebelum dan sesudah setiap posisi dalam urutan data. Dengan mempertimbangkan informasi dari kedua arah, Bi-LSTM dapat mengenali pola yang lebih kompleks dalam data urutan dan menghasilkan prediksi atau pemahaman yang lebih akurat.

Bi-LSTM telah diterapkan dalam berbagai tugas pemrosesan urutan, seperti pemodelan bahasa, pemrosesan bahasa alami, pengenalan ucapan, pemrosesan sinyal, dan lainnya. Penggunaan Bi-LSTM telah membantu meningkatkan kualitas prediksi dan pemahaman dalam berbagai aplikasi di mana konteks dari kedua arah sangat penting.

Kelebihan & Kekurangan Long short-term Memory Neural Network (LSTM), Gated Reccurent Unit (GRU), & Bidirectional Long short-term Memory Neural Network (Bi-LSTM)

1. Long Short-Term Memory Neural Network (LSTM) 

Kelebihan dari Long Short-Term Memory Neural Network (LSTM):

• Menangani masalah menghilangnya gradien: LSTM dirancang khusus untuk mengatasi masalah gradien yang menghilang atau meledak dalam jaringan saraf rekurensi (RNN). Dengan menggunakan unit memori khusus yang dapat menyimpan informasi dalam jangka panjang, LSTM dapat menjaga informasi penting dari urutan data yang lama dan mengurangi dampak dari gradien yang hilang.
• Mampu menangani ketergantungan jarak jauh: LSTM mampu mengenali dan mempelajari ketergantungan jarak jauh dalam urutan data. Dengan adanya gate input, gate forget, dan gate output, LSTM dapat mengatur sejauh mana informasi baru akan dimasukkan, dilupakan, atau diaktifkan, memungkinkan jaringan untuk mengenali pola ketergantungan jarak jauh yang mungkin terjadi.
• Fleksibilitas dalam pemodelan urutan: LSTM dapat digunakan dalam berbagai tugas pemrosesan urutan, termasuk pemodelan bahasa, pemrosesan bahasa alami, pengenalan ucapan, prediksi deret waktu, dan banyak lagi. Kemampuannya dalam mempelajari dan memahami pola dalam urutan data menjadikannya alat yang serbaguna dalam pemrosesan urutan.
• Memori jangka panjang: Unit memori khusus dalam LSTM memungkinkan jaringan untuk menyimpan informasi dalam jangka panjang. Hal ini bermanfaat ketika ada hubungan antara elemen-elemen jauh dalam urutan data, di mana informasi tersebut masih relevan untuk membuat prediksi atau pengambilan keputusan.

Kekurangan dari Long Short-Term Memory Neural Network (LSTM):

• Komputasi yang kompleks: LSTM melibatkan komputasi yang lebih kompleks dibandingkan dengan jaringan saraf biasa. Unit memori dan gate-gate yang terlibat dalam LSTM memerlukan operasi matematika yang lebih rumit, yang berarti waktu pemrosesan yang lebih lama dan kebutuhan komputasi yang lebih besar.
• Rentan terhadap overfitting: Jika tidak dikelola dengan baik, LSTM dapat rentan terhadap overfitting, yaitu ketika jaringan terlalu khusus pada data pelatihan tertentu dan gagal menggeneralisasi pada data yang belum pernah dilihat sebelumnya. Hal ini terutama berlaku jika jumlah data pelatihan terbatas atau jika arsitektur LSTM terlalu kompleks.
• Kesulitan interpretasi: LSTM dengan struktur internal yang kompleks dapat sulit diinterpretasikan dan dipahami secara intuitif. Memahami bagaimana jaringan membuat keputusan berdasarkan input dan parameter dapat menjadi tantangan, terutama pada jaringan yang lebih dalam dan kompleks.

    Meskipun memiliki beberapa kelemahan, LSTM tetap menjadi salah satu jenis jaringan saraf rekurensi yang paling populer dan efektif untuk pemrosesan urutan data. Kelebihannya dalam menangani gradien yang hilang, ketergantungan jarak jauh, dan kemampuan memori jangka panjang menjadikannya pilihan yang kuat dalam berbagai tugas pemrosesan urutan.

2. Gated Recurrent Unit (GRU)

Kelebihan dari Gated Recurrent Unit (GRU):

• Efisiensi komputasi yang lebih tinggi: GRU memiliki struktur yang lebih sederhana dibandingkan dengan LSTM, sehingga membutuhkan waktu pemrosesan yang lebih cepat dan kebutuhan komputasi yang lebih rendah. Hal ini membuat GRU lebih efisien dalam implementasi dan penggunaannya pada perangkat dengan sumber daya terbatas.
• Kemampuan mengatasi masalah gradien yang hilang: Seperti LSTM, GRU juga memiliki mekanisme gate yang memungkinkan informasi penting untuk dilewatkan ke selanjutnya dan mengurangi masalah gradien yang hilang. Dengan menggunakan gate reset dan gate update, GRU dapat memperoleh informasi yang relevan dari urutan data.
• Pengurangan kompleksitas dan overfitting: Struktur GRU yang lebih sederhana dan jumlah parameter yang lebih sedikit dapat membantu mengurangi risiko overfitting pada data pelatihan yang terbatas. GRU juga cenderung lebih mudah diatur dan dioptimasi, memungkinkan pengembang untuk memperoleh hasil yang baik dengan pengaturan yang tepat.
• Kemampuan adaptasi pada urutan data yang beragam: GRU dapat bekerja dengan baik dalam berbagai tugas pemrosesan urutan, termasuk pemodelan bahasa, pemrosesan bahasa alami, dan prediksi deret waktu. Kemampuannya untuk menangkap ketergantungan jarak jauh dan memahami konteks dalam urutan data memungkinkan GRU untuk beradaptasi dengan baik pada berbagai situasi.

Kekurangan dari Gated Recurrent Unit (GRU):

• Keterbatasan memori jangka panjang: GRU memiliki mekanisme gate yang lebih sederhana dibandingkan dengan LSTM, yang menghasilkan keterbatasan dalam kemampuan memori jangka panjang. Hal ini dapat mempengaruhi kemampuan GRU dalam menangkap hubungan jangka panjang dalam urutan data.
• Tidak sekuat LSTM dalam menangani ketergantungan jarak jauh: Meskipun GRU dapat menangani ketergantungan jarak jauh dalam urutan data, LSTM secara umum dianggap lebih kuat dalam mengenali pola ketergantungan jarak jauh. Ini karena struktur LSTM yang lebih kompleks dengan komponen gate yang lebih banyak.
• Tidak sefleksibel LSTM dalam pengaturan gate: GRU memiliki dua gate, yaitu gate reset dan gate update, yang membatasi fleksibilitas dalam mengatur aliran informasi. Dalam beberapa kasus, terutama di tugas yang sangat kompleks, fleksibilitas yang lebih besar dari gate-gate LSTM dapat memberikan keuntungan.

    Meskipun GRU memiliki kekurangan dan mungkin tidak sekuat LSTM dalam beberapa aspek, GRU tetap merupakan alternatif yang kuat dan efisien dalam jaringan saraf rekurensi untuk pemrosesan urutan data. Terutama dalam situasi dengan keterbatasan komputasi dan waktu pemrosesan yang kritis, GRU dapat menjadi pilihan yang lebih praktis.

 

3. Bidirectional Long Short-Term Memory Neural Network (Bi-LSTM)

Kelebihan dari Bidirectional Long Short-Term Memory Neural Network (Bi-LSTM):

• Memahami konteks global: Dengan menggabungkan arah maju dan mundur, Bi-LSTM mampu memahami konteks global dalam urutan data. Ini memungkinkan jaringan untuk mengakses informasi sebelum dan sesudah setiap posisi, sehingga meningkatkan pemahaman terhadap hubungan antar elemen dalam urutan tersebut.
• Menangani ketergantungan jarak jauh: Bi-LSTM dapat menangani ketergantungan jarak jauh dalam urutan data. Dengan mengolah data dalam kedua arah, jaringan dapat mengenali hubungan yang mungkin terjadi antara elemen yang jauh dalam urutan, yang tidak dapat dikenali oleh jaringan yang hanya berjalan ke satu arah.
• Prediksi yang lebih akurat: Kombinasi informasi dari arah maju dan mundur memungkinkan Bi-LSTM untuk membuat prediksi yang lebih akurat. Dalam banyak kasus, informasi di masa depan atau setelah posisi saat ini juga dapat memberikan konteks yang penting dalam memprediksi hasil atau mengambil keputusan.
• Fleksibilitas dalam tugas pemrosesan urutan: Bi-LSTM dapat digunakan dalam berbagai tugas pemrosesan urutan, seperti pemodelan bahasa, pemrosesan bahasa alami, pengenalan ucapan, pemrosesan sinyal, dan lainnya. Ini membuatnya menjadi pilihan yang serbaguna dan kuat untuk pemrosesan urutan data.

Kekurangan dari Bidirectional Long Short-Term Memory Neural Network (Bi-LSTM):

• Komputasi yang lebih mahal: Dibandingkan dengan jaringan LSTM biasa, Bi-LSTM membutuhkan komputasi yang lebih intensif. Karena melibatkan dua arah pengolahan data, Bi-LSTM memerlukan waktu pemrosesan yang lebih lama dan kebutuhan komputasi yang lebih besar.
• Membutuhkan lebih banyak data: Bi-LSTM cenderung membutuhkan lebih banyak data pelatihan untuk melatih dua arah secara efektif. Karena harus melibatkan arah maju dan mundur, jaringan ini memerlukan lebih banyak contoh data untuk menghindari overfitting dan memperoleh representasi yang baik.
• Kesulitan interpretasi: Karena kompleksitasnya, Bi-LSTM bisa sulit untuk diinterpretasikan dan dipahami secara intuitif. Mengidentifikasi bagaimana dan mengapa jaringan membuat keputusan tertentu bisa menjadi lebih rumit dibandingkan dengan jaringan lain yang lebih sederhana.
• Potensi overfitting: Dalam beberapa kasus, Bi-LSTM dapat cenderung mengalami overfitting, terutama jika tidak memiliki jumlah data pelatihan yang cukup atau tidak diatur dengan baik. Hal ini dapat menyebabkan jaringan menghasilkan prediksi yang buruk pada data yang belum pernah dilihat sebelumnya.

    Meskipun memiliki kekurangan, Bi-LSTM tetap menjadi pilihan yang kuat dalam pemrosesan urutan data yang membutuhkan pemahaman konteks global dan ketergantungan jarak jauh. Dengan pemilihan parameter yang tepat dan data pelatihan yang memadai, Bi-LSTM dapat memberikan hasil yang sangat baik dalam berbagai tugas pemrosesan urutan.

Perbedaan antara Long short-term Memory Neural Network (LSTM), Gated Reccurent Unit (GRU), & Bidirectional Long short-term Memory Neural Network (Bi-LSTM)

Perbedaan antara Long Short-Term Memory Neural Network (LSTM), Gated Recurrent Unit (GRU), dan Bidirectional Long Short-Term Memory Neural Network (Bi-LSTM) adalah sebagai berikut:

1. Struktur dan Kompleksitas:

• LSTM: LSTM memiliki struktur yang kompleks dengan tiga gate yaitu gate input, gate forget, dan gate output. Setiap gate memiliki unit memori yang memungkinkan jaringan untuk mengontrol aliran informasi dan mengatasi masalah gradien yang hilang. LSTM memiliki jumlah parameter yang lebih banyak dibandingkan GRU.
• GRU: GRU memiliki struktur yang lebih sederhana dibandingkan dengan LSTM. GRU menggunakan dua gate yaitu gate reset dan gate update untuk mengontrol aliran informasi. GRU memiliki jumlah parameter yang lebih sedikit dibandingkan LSTM.
• Bi-LSTM: Bi-LSTM adalah gabungan dari LSTM dan arah maju (forward) serta arah mundur (backward) yang bekerja secara simultan. Bi-LSTM memiliki dua set LSTM, yaitu satu untuk mengolah urutan data secara maju dan satu lagi untuk mengolahnya secara mundur. Struktur Bi-LSTM lebih kompleks dibandingkan dengan LSTM dan GRU.

2. Arsitektur dan Arus Informasi:

• LSTM: LSTM mengoperasikan urutan data dalam satu arah, yaitu maju dari awal sampai akhir. Arus informasi hanya terjadi dalam satu arah, memungkinkan jaringan untuk memproses urutan data satu per satu.
• GRU: GRU juga mengoperasikan urutan data dalam satu arah, namun dengan struktur yang lebih sederhana. Arus informasi hanya terjadi dalam satu arah, memungkinkan jaringan untuk memproses urutan data satu per satu.
• Bi-LSTM: Bi-LSTM mengoperasikan urutan data dalam dua arah, yaitu maju dan mundur secara simultan. Arus informasi maju mengolah urutan data dari awal ke akhir, sedangkan arus informasi mundur mengolah urutan data dari akhir ke awal. Informasi dari kedua arah tersebut digabungkan untuk memahami konteks global dan ketergantungan jarak jauh.

3. Kemampuan dalam Memahami Konteks dan Ketergantungan:

• LSTM: LSTM memiliki kemampuan yang baik dalam memahami konteks jarak jauh dan ketergantungan panjang dalam urutan data. Dengan adanya gate input, forget, dan output, LSTM dapat mengontrol aliran informasi dan mengingat informasi dalam jangka panjang.
• GRU: GRU memiliki kemampuan yang baik dalam memahami konteks dan ketergantungan dalam urutan data, meskipun tidak sekuat LSTM. Dengan menggunakan gate reset dan gate update, GRU dapat mengatur aliran informasi dan menyesuaikan tingkat pengaruh informasi baru pada informasi sebelumnya.
• Bi-LSTM: Bi-LSTM memiliki kemampuan yang baik dalam memahami konteks global dan ketergantungan jarak jauh. Dengan menggunakan dua set LSTM, satu untuk arah maju dan satu untuk arah mundur, Bi-LSTM dapat menggabungkan informasi dari kedua arah untuk pemahaman yang lebih baik.

4. Komputasi dan Kebutuhan Data:

• LSTM: LSTM membutuhkan komputasi yang lebih kompleks dan memiliki jumlah parameter yang lebih banyak. Dalam beberapa kasus, LSTM mungkin membutuhkan lebih banyak data pelatihan untuk menghindari overfitting.
• GRU: GRU memiliki komputasi yang lebih efisien dan kebutuhan parameter yang lebih sedikit dibandingkan LSTM. GRU cenderung lebih cepat dalam waktu pemrosesan dan dapat bekerja dengan baik dengan jumlah data pelatihan yang lebih kecil.
• Bi-LSTM: Bi-LSTM memiliki komputasi yang lebih kompleks dan memerlukan jumlah parameter yang lebih banyak dibandingkan dengan LSTM dan GRU. Waktu pemrosesan Bi-LSTM juga lebih lambat dibandingkan dengan LSTM dan GRU.

    Pilihan antara LSTM, GRU, atau Bi-LSTM tergantung pada kebutuhan dan karakteristik tugas pemrosesan urutan data. LSTM cocok untuk tugas yang memerlukan pemahaman yang kuat terhadap konteks jarak jauh, GRU cocok untuk tugas dengan keterbatasan komputasi atau data pelatihan yang terbatas, sementara Bi-LSTM cocok untuk tugas yang memerlukan pemahaman konteks global dan ketergantungan jarak jauh dari urutan data.

Penutup

Demikianlah pembahasan tentang Long short-term Memory Neural Network (LSTM), Gated Reccurent Unit (GRU), & Bidirectional Long short-term Memory Neural Network (Bi-LSTM), meliputi definisi, kelebihan & kekurangan serta perbedaannya. Semoga artikel ini dapat bermanfaat bagi penulis dan semua pembaca🙌