Deep learning adalah bagian dari machine learning yang memungkinkan suatu program komputer atau alat bisa belajar dari pengalaman dan menghasilkan suatu pemodelan tersendiri. Deep learning identik dengan perkembangan teknologi saat ini, terlebih lagi untuk membuat suatu proses automasi.
Apa pengertian deep learning, teknik, dan fungsi inovasi canggih ini? Yuk simak pembahasannya sebagai berikut.
Apa Itu Deep Learning?
Adapun definisi deep learning menurut beberapa ahli:
- Goodfellow, Bengio, dan Courville. Deep learning adalah suatu bagian dari machine learning yang memungkinkan komputer untuk belajar dari pengalaman dan memahami dunia berdasarkan hierarki konsep-konsep.
- John Paul Mueller dan Luca Massaron. Deep learning ialah bagian dari machine learning di mana machine learning sendiri merupakan subset atau bagian dari AI (Artificial Intelligence).
- Oswald Campesato. Definisi deep learning atau pemelajaran dalam yaitu bagian dari machine learning yang fokus pada neural network atau suatu rangkaian alogaritma.
- Radu Raicea. Deep learning yakni sebuah metode machine learning dengan hidden layer yang jauh lebih banyak.
- Belyadi dan Haghighat. Deep learning artinya bagian dari machine learning di mana jaringan neural multilayer digunakan untuk berbagai tujuan termasuk di antaranya untuk pengenalan wajah dan gambar hingga penerjamahan bahasa.
Berdasarkan beberapa definisi di atas, bisa dikatakan bahwa deep learning adalah bagian dari machine learning (mesin pemelajaran) yang lebih canggih karena memanfaatkan neural network dengan hidden layer yang lebih banyak. Dengan deep learning atau pemelajaran dalam, suatu program komputer atau alat bisa belajar dari pengalaman dan menghasilkan pemodelan secara mandiri.
Namun perlu dipahami bahwa implementasi pemelajaran dalam tidak bisa dilakukan sembarangan. Agar bisa diwujudkan, diperlukan: (1) Jumlah data yang banyak (big data); dan (2) Dukungan mesin komputer yang canggih dan berdaya besar.
Perbedaan Deep Learning dan Machine Learning
Machine learning adalah suatu bentuk Artificial Intelligence yang dalam proses kerjanya harus tergantung oleh programmer (manusia). Untuk menentukan mana data yang berisi gambar kucing, misalnya, machine learning perlu diberitahu ciri-ciri yang menunjukkan sebuah data sebagai kucing.
Hal ini berbeda dengan deep learning di mana program komputer atau alat yang memanfaatkannya tak perlu diberitahu dulu mengenai karakter yang menunjukkan sebuah data merupakan gambar kucing atau bukan.
Kelebihan dan Kekurangan Deep Learning
Keunggulan dan kelemahan deep learning adalah sebagai berikut:
Kelebihan:
- Fitur pada data bisa dipelajari sendiri, tidak seperti pada machine learning
- Variasi tinggi pada data bisa dipelajari dengan lebih baik dan bersifat otomatis
- Fleksibel dan bisa digunakan untuk mempelajari berbagai fenomena baru atau pada bidang yang berbeda
Kekurangan
- Membutuhkan data dalam jumlah besar
- Mahal dan perlu dukungan komputer berdaya besar
- Lebih sulit dipelajari dibanding machine learning
Bagaimana Deep Learning Bekerja?
Pernahkah Anda mengamati anak-anak yang sedang belajar mengenai nama-nama benda? Program komputer atau alat yang menggunakan pemelajaran dalam pada dasarnya bekerja selayaknya anak manusia tersebut.
Sebab neural network yang merupakan inti teknologi ini memang terinspirasi dari kerja neuron biologis yang dapat bekerja secara otonom. Di hadapan neural network yang berupa bulatan-bulatan tersebut, serangkaian data yang disebut training data akan diberikan.
Jenis neural network yang terlibat sendiri bisa dikategorikan dalam 3 layer: yaitu Input Layer, Hidden Layer dan Output Layer.
Data yang hendak digunakan mula-mula diberi label oleh manusia yang disebut sebagai metatag. Misalnya, sebuah kumpulan gambar dengan label “kucing” dan “bukan kucing.” Data-data tersebut akan diproses melalui input layer, lalu hidden layer, dan terakhir output layer.
Yang menarik, kecepatan kerja teknik ini jauh melebihi kecepatan belajar manusia. Seorang balita kadang membutuhkan beberapa minggu untuk mengenali sebuah objek. Sementara program komputer dengan mesin pemelajaran bisa melakukan hal serupa hanya dalam hitungan jam atau bahkan menit.
Contoh lain, sebuah mesin AI diprogram agar bisa menetapkan harga tiket kereta api. Dalam hal ini, input layer akan diberi keterangan berupa stasiun keberangkatan, stasiun tujuan, tanggal keberangkatan, dan jenis kereta yang digunakan.
Hidden layer yang berada di belakang input layer akan melakukan perhitungan matematis pada data yang tersedia (termasuk data historis harga tiket terdahulu). Barulah setelah diproses dalam hidden layer, output layer memberikan keterangan harga kereta api.
Jenis Neural Network pada Deep Learning
Tipe neural network pada deep learning diantaranya:
1. CNN
CNN atau Convolutional Neural Networks (CNNs) atau ConvNets adalah set neural network yang ideal digunakan untuk pengerjaan klasifikasi gambar, rekognisi wajah (face recognition), hingga segmentasi gambar.
2. RNN
Recurrent Neural Networks (RNNs) dan Long Short Term Memory (LSTMs) adalah neural network yang dapat digunakan untuk menerjemahkan teks dan kerja-kerja yang berkaitan dengan tulisan.
3. Transformer
Sama seperti RNN, transformer bisa diandalkan untuk pengerjaan tugas pemodelan sekuensial data seperti NLP (Natural Language Processing). Dibanding RNN, transformer dianggap memiliki performa yang lebih baik.
4. GAN
GAN atau Generative adversarial network adalah sebuah framerwok yang bisa digunakan pada pengerjaan tugas tidak tersupervisi. Dengan demikian, jaringan network ini akan secara mandiri mempelajari struktur dan pola pada data.
Teknik Deep Learning
Untuk membuat software atau alat dengan pemelajaran dalam, beberapa teknik bisa diterapkan. Dua di antaranya adalah:
1. Transfer Learning
Transfer learning adalah suatu metode di mana sebuah model yang sudah dilatih dipaparkan pada sebuah masalah baru yang masih berkaitan. Contoh, bila Anda telah melatih sebuah program untuk menunjukkan gambar yang mengandung tas piknik, pada dasarnya Anda juga bisa menggunakan hasil training tersebut untuk membantu mengenali gambar topi pantai.
2. Training from Scratch
Training from Scratch adalah sebuah metode pembuatan model yang dilakukan dari awal dengan mengandalkan data dalam jumlah besar. Metode ini cukup merepotkan diterapkan karena bisa memakan waktu hingga beberapa minggu.
Aplikasi dan Fungsi Deep Learning
Deep learning banyak dimanfaatkan untuk tujuan tertentu, seperti:
1. CX
CX atau Customer Experience mengacu pada persepsi pelanggan terhadap sebuah perusahaan. Deep learning bisa membantu meningkatkan CX dengan kemampuannya memahami masalah-masalah customer dengan lebih baik. Misalnya saja penggunaan chatbot yang merupakan bot CS dengan kemampuan ala CS handal.
2. Kebahasaan
Deeap learning memungkinkan dibuatnya sebuah alat di mana seseorang bisa menerjemahkan suatu tulisan dari satu bahasa ke bahasa yang lain. Bahkan saat ini, sudah banyak software yang bisa mengoreksi grammar dengan begitu baik.
3. Militer
Di bidang militer, deep learning bisa membantu mendeteksi objek dari sebuah satelit. Hal ini berguna untuk keperluan analisis, pemetaan, hingga pendaratan di zona yang aman.
4. Otomasi Bidang Industri
Dengan kemampuan belajar yang melebihi manusia, teknik ini bisa diaplikasikan pada berbagai alat untuk mewujudkan otomasi. Misalnya untuk kebutuhan pengategorian barang-barang pabrik.
5. Pemberian Warna
Dengan software yang diprogram dengan AI, pemberian warna pada foto dan video hitam putih bisa dilakukan dengan cepat dan akurat. Hal ini tentu bermanfaat secara estetika maupun untuk kebutuhan restorasi sejarah.
6. Kesehatan
Ilmuwan dan dokter di bidang kesehatan bisa mendeteksi beberapa penyakit dengan inovasi ini. Hal-hal yang luput dilihat manusia pun bisa ditangkap lebih dini.
7. Computer Vision
Computer vision adalah suatu bidang AI yang memungkinkan komputer mendapatkan informasi bermakna dari sebuah gambar. Pemelajaran dalam akan meningkatkan akurasi hingga pengategorian gambar pada computer vision.
8. Otomotif
Di bidang otomotif, deep learning bisa digunakan untuk menciptakan mobil yang bisa menyetir sendiri (automous vehicle). Selain itu, teknik ini juga bisa diterapkan untuk meningkatkan keselamatan pengemudi yang sedang lengah.
