Mengenal apa itu Deep Learning?

Di dalam artikel sebelumnya, kita sudah membahas tentang apa itu Machine Learning dan bagaimana penerapannya di kehidupan sehari-hari. Nah, pada kesempatan kali ini kita masih akan membahas seputar AI yang mungkin lebih khususnya yaitu Deep Learning.

Apa itu Deep Learning?

Deep learning merupakan salah satu bagian dari berbagai macam metode machine learning yang menggunakan artificial neural networks (ANN). Jenis pembelajaran dalam deep learning dapat berupa supervised, semi-supervised, dan unsupervised.

Dilansir dari laman website Investopedia, deep learning adalah sebuah artificial intelligence yang dapat meniru proses kerja otak manusia. Teknologi ini sangat efektif untuk mengolah data mentah dan menciptakan pola untuk keperluan pengambilan keputusan. 

Deep learning sendiri merupakan bagian dari machine learning yang memiliki jaringan tersendiri. Deep Learning mampu mengenali pola dan informasi tanpa pengawasan dari data yang tidak terstruktur atau tidak berlabel. Nah, karena kemampuannya, teknologi deep learning juga dikenal sebagai deep neural learning atau deep network learning.

Selain digunakan pada berbagai aplikasi raksasa, deep learning merupakan teknologi utama di balik mobil tanpa pengemudi. Deep Learning memungkinkan kendaraan untuk mengenali tanda berhenti dan membedakan pejalan kaki dari tiang lampu. Teknologi ini juga kunci dari kinerja voice control dalam perangkat yang digunakan sehari-hari seperti smartphone, tablet, TV, dan speaker hands-free. 

Jenis-Jenis Algoritma pada Deep Learning

Deep learning adalah sebuah teknologi yang mampu bekerja menggunakan beberapa algoritma tertentu. Sejatinya, tidak ada algoritma deep learning yang dianggap sempurna. Sebab, masing-masing jenis memiliki kapabilitas yang berbeda.

Artificial Neural Networks (ANN)

Artificial Neural Networks yang biasa disingkat dengan ANN adalah bagian yang paling ajaib dari deep learning. ANN ini mensimulasikan kerja otak kita yang tersusun jaringan saraf yang disebut neuron. Sama seperti sistem otak manusia, dalam jaringan artificial neural network ini si mesin menerima informasi pada titik-titik yang disebut nodes yang terkumpul pada satu layer untuk kemudian diteruskan dan diproses ke layer selanjutnya yang disebut hidden layers.

Contohnya yaitu ketika kita mempunyai gambar berupa tulisan tangan angka 9 berukuran 28×28 pixel. Setiap piksel dari gambar ini kemudian dipecah menjadi nodes dalam layer input. Sehingga kita memiliki 784 nodes. Lalu untuk mengetahui angka apa itu, kita harus menset nodes output sebanyak 10 (0-9). Dalam hidden layers informasi tersebut difilter hingga akhirnya diteruskan dan informasi masuk di nodes output 9. Dalam kasus supervised learning, kita tak perlu mengatur algoritma yang ada di hidden layers. Yang perlu kita lakukan memasukkan angka yang ditulis tangan sebanyak mungkin dan menentukan outputnya sehingga terbentuk suatu pola dalam hidden layers. Jika pola dalam hidden layers sudah terbentuk, kita tinggal mengetes sejauh mana si mesin dapat mengenali gambar.

Convolutional Neural Networks (CNN)

Dalam kasus image recognition, metode yang digunakan sudah lebih canggih lagi dari ANN yang disebut Convolutional Neural Networks (CNN). Secara komputasi, metode CNN ini lebih irit daya, bayangkan jika gambar kucing tersebut berukuran 1920×1080 pixel. Ini berarti ada 2.073.600‬ nodes yang harus dibuat pada layer input. Belum lagi jika gambar tersebut berwarna di mana setiap pixel terdiri dari 3 warna RGB. Berarti jumlah nodes yang sudah banyak tadi harus dikalikan 3. Bisa dibayangkan berapa jumlah nodes pada layer pertama. Kami sendiri pun malas menghitungnya.

Berbeda dari ANN tradisional yang setiap node-nya terpisah, node dari convolutional neural networks sendiri terhubung satu sama lain. Lihat animasi di bawah agar terhindar dari kebingungan akut!

CNN memindai bagian per bagian area kecil di dalam gambar tersebut untuk dijadikan node. Setiap angka dalam nodes merupakan hasil penghitungan matriks dari filter/kernel. Dalam CNN, terdapat bagian yang sama antara node satu dengan node yang ada di sebelahnya. Itulah mengapa tadi dikatakan bahwa node dalam CNN selalu terhubung. Hal ini tentu saja dilakukan untuk menghemat daya komputasi terutama deteksi objek secara live.

Long short term memory network (LSTM)

LSTM adalah jenis reccurent neural network (RNN) yang dapat mempelajari dan menghafal ketergantungan pola jangka panjang. Teknologi ini mampu mengingat seluruh informasi masa lalu dari periode-periode tertentu.

LSTM juga bisa menyimpan informasi dari waktu ke waktu. Mereka berguna untuk keperluan prediksi deret waktu karena ia bisa mengingat input sebelumnya. LSTM memiliki struktur seperti rantai di mana keempat lapisan di dalamnya saling berinteraksi dengan cara yang unik.

Reccurent neural network (RNN)

Jenis algoritma deep learning berikutnya yang bisa kamu manfaatkan adalah reccurent neural network (RNN). RNN memiliki koneksi yang bisa membentuk siklus terarah. Siklus tersebutlah yang memungkinkan output dari LSTM untuk diumpankan sebagai input ke fase terbaru.

Setelah output dari LSTM menjadi input terbaru, ia dapat mengingat input sebelumnya karena kinerja memori internal. RNN biasanya digunakan untuk teks gambar, analisis deret waktu, natural language processing, pengenalan tulisan tangan, dan mesin translasi.

Self organizing maps (SOM)

Jenis algoritma deep learning selanjutnya adalah SOM atau self organizing maps. Sesuai namanya, teknologi ini mampu menginisiasikan data visualization secara mandiri. Kemampuan ini berfungsi untuk mengurangi dimensi data melalui jaringan saraf tiruan yang dapat bekerja secara otomatis.

Data visualization ini ditujukkan untuk memecahkan permasalahan yang umumnya cukup sulit untuk diselesaikan manusia. SOM sendiri diciptakan untuk membantu pengguna memahami informasi berdimensi tinggi.

Contoh Penerapan Deep Learning pada Kehidupan Sehari-hari

Salah satu contoh penerapan deep learning yang paling terkenal adalah pada Netflix dan YouTube. Dalam kedua platform streaming ini, deep learning digunakan sebagai alat untuk memberikan rekomendasi video.

Perangkat canggih tersebut memanfaatkan minat dan kebiasaan pengguna untuk menemukan video yang sekiranya sesuai dengan kebutuhan mereka. Nah, selain kedua platform tersebut, ada beberapa contoh penerapan deep learning lainnya diantaranya sebagai berikut.

1. Virtual assistant: Cortana, Alexa, dan Siri.
2. Visi untuk mobil tanpa pengemudi: Tesla.
3. Chatbots dan layanan pelanggan otomatis: Sephora, Fandango, dan AccuWeather.
4. Sistem penerjemah: Google Translate dan SayHi.
5. Facial recognition: Facebook dan iOS.
6. Marketplace dan e-commerce: Amazon dan Myntra.