Akhir-akhir ini banyak guru, kepala sekolah, dosen, pengurus yayasan sekolah, dan juga wali murid sedang sibuk membahas Deep Learning (DL). Memang ini cukup mengagetkan, karena belum apa-apa sudah sibuk dengan DL. Padahal, untuk sampai ke DL harus melalui banyak tahapan, mulai dari Machine Learning (ML), Artificial Neural Network (ANN), dan Artificial Intelligence (AI). Tidak sedikit pula yang tiba-tiba sibuk menjadi pembicara ke sana kemari tentang DL. Dunia saat ini memang seperti sulapan—tiba-tiba muncul istilah DL, coding, dan AI. Padahal DL adalah ilmu lanjut (advanced knowledge) yang baru dapat ditempuh setelah kita menguasai ANN dan AI, serta memahami ML dengan baik.
AI sekarang menjadi bahasan unggulan yang dalam bahasa sederhana disebut Kecerdasan Artifisial (KA) atau dalam versi kuliah disebut Kecerdasan Tiruan (KT). Saat awal, KA dibuat dengan meniru kecerdasan manusia, sehingga disebut KT. Namun kini, kecerdasan artifisial sudah melampaui kecerdasan manusia. Di kalangan masyarakat kita, ada yang menyebut AI, KT, atau KA, dan hingga kini belum ada aturan resmi tentang istilah mana yang paling tepat. Sekarang AI telah berkembang menjadi berbagai cabang ilmu yang sempit dan spesifik.
ANN atau Jaring Saraf Artifisial (JSA) juga merupakan bagian dari cabang ilmu AI, meskipun istilah AI muncul belakangan. NN berkembang pesat dan memiliki anak yaitu DL, yang sering disebut sebagai “pembelajaran mendalam”—meski istilah ini terasa kurang nyaman di telinga karena bisa menimbulkan salah tafsir. Tidak ada satu orang yang dapat disebut penemu DL karena akar bidang ini berawal sejak tahun 1940-an dengan melibatkan banyak peneliti dan terobosan besar. Namun, bidang ini dipopulerkan oleh tiga ilmuwan: Geoffrey Hinton (pakar ANN), Yann LeCun (pakar Convolutional Neural Network/CNN), dan Yoshua Bengio (pakar Natural Language Processing/NLP). Mereka dikenal sebagai Godfathers of Deep Learning dan meraih Nobel Prize of Computing tahun 2018.
Jika membahas tentang DL, kita harus memahami konsep ANN. Ini menjadi kunci penting yang tidak boleh diabaikan. Banyak orang yang tidak pernah belajar dan mempraktikkan ANN, tetapi memaksakan diri memahami DL secepatnya. Hal ini sama seperti ingin menguasai jurus pamungkas ilmu silat tanpa berlatih kuda-kuda. Warren McCulloch dan Walter Pitts (1943) menciptakan model matematika pertama ANN. Alexey Ivakhnenko (1965) menerbitkan algoritma DL pertama, yang berfungsi melatih ANN secara acak dan dikenal sebagai Group Method of Data Handling (GMDH). Ini masa awal DL berkembang dari ANN. Frank Rosenblatt, alumni Cornell University (1958), memperkenalkan Perceptron sebagai model ANN awal yang dapat mengenali pola. Seppo Linnainmaa (1970) dan Paul Werbos (1974) mengembangkan bentuk awal Backpropagation Algorithm (BA) yang kemudian dipopulerkan oleh Hinton dan terkenal hingga kini. Kunihiko Fukushima, alumni Kyoto University (1979), memperkenalkan Neocognitron sebagai arsitektur ANN awal dan ikut memelopori aspek CNN.
Kebangkitan DL Modern
Karya para pelopor DL tidak mendapat perhatian luas selama beberapa dekade karena keterbatasan data, sistem penyimpanan, dan daya komputasi. Kebangkitan bidang ini di abad ke-21 didorong oleh ketersediaan data pelatihan yang melimpah, dataset yang luas, dan perangkat keras berkecepatan tinggi—terutama peningkatan kemampuan Graphics Processing Unit (GPU) yang mempercepat proses pelatihan jaringan secara mendalam.
Di Jepang, perkembangan DL sangat serius, terutama berkat penemuan Fukushima dan Amari. Selain CNN, Fukushima dikenal menciptakan Neocognitron, sebuah NN awal yang menunjang klasifikasi pola adaptif dan membangun bidang geometri informasi untuk teori NN, yang berkembang pesat pada tahun 1980-an.
Tidak ada pengertian lain, Deep Learning (DL) adalah bagian dari Machine Learning (ML) yang digerakkan oleh NN berlapis, yang rancang bangunnya terinspirasi oleh struktur saraf otak manusia. Model DL mendukung sebagian besar AI, mulai dari Computer Vision dan Generative AI (GAI) hingga sistem cerdas seperti kendaraan otonom (autonomous vehicle), robot pelacak, peluru kendali pintar, kota cerdas (smart city), hingga deteksi penyakit.
NN berbeda dengan logika matematika yang didefinisikan secara eksplisit dalam algoritma tradisional. NN dalam model DL terdiri dari banyak lapisan neuron yang saling terhubung, masing-masing melakukan operasi matematika. Dengan ML, kekuatan koneksi antara neuron disesuaikan melalui proses optimasi bobot dan bias agar menghasilkan keluaran lebih akurat.
Meskipun NN dan DL erat kaitannya, keduanya tidak sepenuhnya identik. Namun untuk memahami DL, penguasaan NN menjadi syarat mutlak. Struktur terdistribusi yang fleksibel dan dapat disesuaikan menjadi kekuatan utama DL.
Bayangkan data pelatihan sebagai titik-titik pada grafik dua dimensi. Pelatihan model bertujuan menemukan garis yang melintasi titik-titik tersebut. ML tradisional menggunakan satu fungsi matematika untuk menghasilkan satu garis, sementara DL mampu menyusun banyak garis kecil yang dapat disesuaikan sehingga membentuk pola kompleks. NN adalah universal approximator yang secara teoritis dan praktis dapat mempelajari fungsi apa pun.
Model DL umumnya dilatih melalui pembelajaran terawasi (Supervised Learning, SL) pada data berlabel untuk melakukan tugas regresi dan klasifikasi. Karena NN berskala besar, DL membutuhkan data pelatihan dalam jumlah besar dan biaya tinggi untuk pelabelan data. Hal ini mendorong lahirnya pembelajaran terawasi mandiri (Self-Supervised Learning) yang dicetuskan oleh Yann LeCun, alumni Sorbonne Université, Prancis, pada akhir 2010-an. Metode ini kini menjadi pendekatan utama dalam pelatihan NN, terutama pada model dasar yang menopang GAI.
Meskipun NN diperkenalkan di awal sejarah ML, terobosannya baru terjadi pada akhir 2000-an hingga awal 2010-an, seiring kemajuan GPU yang memungkinkan pemrosesan paralel dalam jumlah besar. Karena DL memerlukan daya komputasi tinggi untuk pelatihan dan inferensi, kemajuan perangkat keras menjadi faktor kunci percepatan bidang ini.
Aplikasi DL di Dunia Nyata
DL mendukung beragam teknologi dan layanan mutakhir seperti mobil swakemudi—mulai dari deteksi pejalan kaki, rambu lalu lintas, hingga keberadaan kendaraan lain. Dalam sistem tenaga listrik berskala besar, DL digunakan untuk pengaturan beban terpusat dan sistem proteksi.
Di bidang pencitraan medis, DL berperan menganalisis hasil Magnetic Resonance Imaging (MRI) dan Computed Tomography (CT) untuk mendeteksi kelainan, membantu diagnosis kanker, dan penyakit lainnya. Untuk pengenalan wajah, DL digunakan dalam sistem keamanan, membuka kunci perangkat, dan menandai foto.
Dalam asisten virtual dan chatbot, DL membantu sistem memahami dan menghasilkan bahasa seperti manusia, mendukung layanan pelanggan, hingga perangkat pintar. Pada mesin penerjemah seperti Google Translate, DL berperan menerjemahkan teks lintas bahasa.
Dalam pembuatan gambar dan konten digital, DL mampu menghasilkan gambar dari perintah teks serta menulis artikel, materi pemasaran, dan kode program. Di bidang kesehatan, DL digunakan untuk menyimulasikan perilaku molekuler dalam penemuan obat baru. Sementara di sektor keuangan, DL membantu mendeteksi penipuan melalui analisis data transaksi berskala besar dan menandai aktivitas mencurigakan.
Penerapan DL dalam pendidikan juga berkembang pesat, seperti menciptakan pengalaman belajar yang dipersonalisasi, menganalisis kinerja siswa dan guru, serta meningkatkan kualitas perangkat pembelajaran. Aplikasi utamanya meliputi sistem pembelajaran adaptif yang menyesuaikan kurikulum dengan kemampuan siswa, pembimbing belajar cerdas berbasis pemrosesan bahasa alami, serta model analitik untuk memprediksi keberhasilan siswa dan mendeteksi kesulitan belajar.
Meskipun canggih, implementasinya membutuhkan perhatian serius terhadap akses teknologi, pelatihan pendidik, dan infrastruktur pendukung.
0 Tanggapan
Empty Comments