Memahami Kecerdasan Buatan berupa Deep Learning dan Machine Learning

Kecerdasan buatan adalah salah satu topik paling menarik untuk dipelajari dan diterapkan, karena kelebihannya yang mampu belajar seperti jaringan saraf otak manusia. Dalam pelajaran sistem kendali cerdas atau pada umumnya dikenal sebagai kecerdasan buatan, ada banyak cabang yang dapat kita temui diantaranya adalah logika fuzzy, jaringan saraf tiruan, dan algoritma genetika[1]. Kecerdasan buatan banyak digunakan untuk memecahkan berbagai masalah seperti robotika, bahasa alami, matematika, game, persepsi, diagnosis medis, teknik, analisis keuangan, analisis sains, dan penalaran[2]Berikut ini akan dijelaskan dua topik paling menarik untuk diketahui yang merupakan cabang dari jaringan saraf tiruan, untuk bahasan logika fuzzy dan algoritma genetika dilain kesempatan.

Gambar 1. Perbedaan struktur pemodelan jaringan pada Machine Learning dan Deep Learning[3]
Deep Learning (Pembelajaran Dalam)

Apa itu Deep Learning? Oke kita kenalan dulu ya! Karena ada pepatah yang mengatakan seperti ini, “Tak kenal maka sayang”. Deep Learning (Pembelajaran Dalam) atau sering dikenal dengan istilah Pembelajaran Struktural Mendalam (Deep Structured Learning) atau Pembelajaran Hierarki (Hierarchical learning) adalah salah satu cabang dari ilmu pembelajaran mesin (Machine Learning) yang terdiri algoritma pemodelan abstraksi tingkat tinggi pada data menggunakan sekumpulan fungsi transformasi non-linear yang ditata berlapis-lapis dan mendalam. Teknik dan algoritma dalam Pembelaran dalam dapat digunakan baik untuk kebutuhan pembelajaran terarah (supervised learning), pembelajaran tak terarah (unsupervised learning) dan semi-terarah (semi-supervised learning) dalam berbagai aplikasi seperti pengenalan citra, pengenalan suara, klasifikasi teks, dan sebagainya[4]. Deep Learning disebut sebagai Deep (dalam) karena struktur dan jumlah jaringan saraf pada algoritmanya sangat banyak bisa mencapai hingga ratusan lapisan.

Deep Learning adalah salah satu jenis algoritma jaringan saraf tiruan yang menggunakan metadata sebagai input dan mengolahnya menggunakan sejumlah lapisan tersembunyi (hidden layer) transformasi non linier dari data masukan untuk menghitung nilai output. Algortima pada Deep Learning memiliki fitur yang unik yaitu sebuah fitur yang mampu mengekstraksi secara otomatis. Hal ini berarti algoritma yang dimilikinya secara otomatis dapat menangkap fitur yang relevan sebagai keperluan dalam pemecahan suatu masalah. Algortima semacam ini sangat penting dalam sebuah kecerdasan buatan karena mampu mengurangi beban pemrograman dalam memilih fitur yang eksplisit. Dan, algortima ini dapat digunakan untuk memecahkan permasalahan yang perlu pengawasan (supervised), tanpa pengawasan (unsupervised), dan semi terawasi (semi supervised).

Dalam jaringan saraf tiruan tipe Deep Learning setiap lapisan tersembunyi bertanggung jawab untuk melatih serangkaian fitur unik berdasarkan output dari jaringan sebelumnya. Algortima ini akan menjadi semakin komplek dan bersifat abstrak ketika jumlah lapisan tersembunyi (hidden layer) semakin bertambah banyak. Jaringan saraf yang dimiliki oleh Deep Learning terbentuk dari hirarki sederhana dengan beberapa lapisan hingga tingkat tinggi atau banyak lapisan (multi layer). Berdasarkan hal itulah Deep Learning dapat digunakan untuk memecahkan masalah kompleks yang lebih rumit dan terdiri dari sejumlah besar lapisan transformasi non linier.

Jenis Deep Learning

  • Deep Learning untuk Pembelajaran Tanpa Pengawasan (Unsupervised Learning): Deep Learning tipe ini digunakan pada saat label dari variabel target tidak tersedia dan korelasi nilai yang lebih tinggi harus dihitung dari unit yang diamati untuk menganalisis polanya.
  • Hybrid Deep Networks (Deep Learning gabungan): Pendekatan tipe ini bertujuan agar dapat dicapai hasil yang baik dengan menggunakan pembelajaran yang diawasi untuk melakukan analisis pola atau dapat juga dengan menggunakan pembelajaran tanpa pengawasan.

Seberapa banyak jumlah lapisan tersembunyi (Hidden Layer) yang harus dipakai pada Deep Learning?

Deep Learning bekerja berdasarkan pada arsitektur jaringan dan prosedural optimal yang digunakan pada arsitektur. Setiap output dari lapisan per lapisan yang tersembunyi dapat dipantau dengan menggunakan grafik khusus yang dirancang untuk setiap output neuron. Kombinasi dan rekombinasi dari setiap neuron yang saling terhubung dari semua unit lapisan tersembunyi dilakukan menggunakan gabungan dari fungsi aktivasi. Prosesdur-prosedur tersebut dikenal sebagai Transformasi Non Linier yang digunakan untuk prosedur optimal untuk menghasilkan bobot optimal pada setiap unit lapisan guna mendapatkan nilai target yang dibutuhkan.

Ketika dalam proses perancangan, apabila jumlah saraf yang ditambahkan sangat banyak, hal tersebut tidak akan pernah cocok untuk menyelesaikan setiap masalah. Persoalan terpenting dalam Deep Learning adalah jaringan sarafnya dilatih dengan cara penurunan gradien secara sederhana. Pada saat kita menambahkan lapisan jaringan yang semakin banyak, maka sebaliknya penurunan dari gradien semakin berkurang sehingga dapat mempengaruhi nilai outpunya.

Perbedaan yang dimiliki oleh Jaringan Saraf Tiruan biasa dengan Deep Learning

Jaringan Saraf Tiruan adalah jaringan saraf yang biasanya menggunakan jaringan seperti umpan maju (feed forward) atau recurrent network yang hanya memiliki 1 atau 2 lapisan tersembunyi. Tetapi, jika lapisan jaringan sarafnya lebih dari 2 layer ke atas atau bahkan mencapai ratusan lapisan itulah yang disebut sebagai Deep Learning. Pada Jaringan Syaraf Tiruan arsitektur jaringan yang dimilikinya kurang kompleks dan membutuhkan lebih banyak informasi tentang data input sehingga dapat menentukan algortima mana yang dapat digunakan. Dalam Jaringan Saraf Tiruan terdiri dari beberapa algoritma yaitu Model Hebb, Perceptron, Adaline, Propagasi Maju, dll. Sedangkan pada algortima jaringan saraf Deep Learning tidak memerlukan informasi apapun terhadap data yang akan dipelajarinya, dan algoritmanya dapat secara mandiri melakuan tuning (penyetelan) dan pemilihan model yang paling optimal.

 

Gambar 3. Perbedaan antara lapisan layer pada Jaringan Saraf Tiruan dengan Jaringan Deep Learning[4]
Machine Learning (Pembelajaran Mesin)

Pembelajaran mesin, cabang dari kecerdasan buatan, adalah disiplin ilmu yang mencakup perancangan dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku yang didasarkan pada data empiris, seperti dari sensor data basis data[5]. Hal Ini merupakan teknik yang digunakan untuk mengembangkan mesin otomatis berdasarkan eksekusi pada algoritma dan kumpulan aturan yang terdefinisikan.

Dalam data latih sebagai input pada Machine Learning diberi sejumlah aturan program yang dijalankan oleh algoritma. Oleh karena itu, pada teknik Mesin Belajar dapat dikategorikan sebagai instruksi yang dijalankan dan dipelajari secara otomatis untuk menghasilkan hasil output yang optimal. Hal ini dilakukan secara otomatis tanpa ada campur tangan manusia sedikitpun. Semua dilakukan secara otomatis untuk mengubah data menjadi beberapa pola dan diinputkan jauh ke dalam sistem untuk mendeteksi masalah produksi secara otomatis.

Refrensi:

  1. Kuswadi, Son. 2007. “Kendali Cerdas, Teori dan Aplikasi Praktisnya”. Yogyakarta: Penerbit ANDI
  2. Desiani, Anita & Muhammad Arhami. 2006. “Konsep Kecerdasan Buatan”. Yogyakarta: Penerbit ANDI
  3. Wikipedia Indonesia,Pembelajaran dalam (https://id.wikipedia.org/wiki/Pembelajaran_dalam) diakses pada 25 Januari 2018
  4.  XenonStack. 2017. “Log Analytics With Deep Learning And Machine Learning”. Medium, 13 Mei 2017 (https://medium.com/@xenonstack/log-analytics-with-deep-learning-and-machine-learning-20a1891ff70e) diakses pada 25 Januari 2018
  5. Wikipedia Indonesia, Pembelajaran mesin (https://id.wikipedia.org/wiki/Pembelajaran_mesin) diakses pada 25 Januari 2018
Nilai Artikel Ini
Artikel Berhubungan:

Sponsor Warstek.com:
Wayan Dadang

Wayan Dadang

Mahasiswa S1 Teknik Elektro Universitas Sriwijaya, menekuni Kecerdasan Buatan, Sistem Kontrol, dan Robotika. Mencintai kegiatan membaca Paper Sains, Belajar, Menulis, dan Riset.

Yuk Ajukan Pertanyaaan atau Komentar