Mengenal Teknologi Deep Learning Dan Aplikasinya

Deep Learning masih cukup awam bagi banyak orang, padahal teknologi ini sedang banyak dipelajari oleh para ahli karena dinilai menjadi salah satu pilar teknologi masa depan. Teknologi ini dapat diaplikasi diberbagai bidang dan dapat membantu kinerja manusia agar lebih efektif dan efisien. 

Mengetahui apa itu Deep Learning mungkin dapat menghadirkan minat mu pula untuk mempelajarinya. Apabila kamu menguasai ilmu ini, kamu ada dijalan yang baik karena semakin hari lowongan pekerjaan dari peran ini semakin banyak dibutuhkan.

Dalam artikel kali ini, Gubuk Pintar akan menjabarkan definisi Deep Learning, cara kerja hingga aplikasinya. Untuk itu, mari kita langsung ke bagian inti artikelnya.

Daftar Isi

Apa Itu Deep Learning?     Jenis Deep Learning     Arsitektur Deep Learning Cara Kerja Deep Learning Aplikasi Deep Learning Perbedaan Deep Learning dan Machine Learning Penutup

Apa Itu Deep Learning?

Deep Learning adalah salah satu jenis Machine Learning yang melatih komputer untuk melakukan tugas seperti manusia, seperti mengenali ucapan, mengidentifikasi gambar, atau membuat prediksi yang akurasinya dapat melebihi kemampuan manusia sendiri.

Dalam melakukan Deep Learning, komputer dilatih dengan memanfaatkan data berlabel dan arsitektur jaringan saraf tiruan (Neural Network) yang berisi banyak lapisan (layer). Ketimbang mengatur data untuk diproses melalui persamaan yang telah ditentukan sebelumnya, Deep Learning bekerja dengan menyiapkan parameter dasar tentang data dan melatih komputer untuk belajar sendiri dengan mengenali pola memanfaatkan banyak lapisan yang ada.

Deep Learning sendiri kian gencar dikembangkan sejak era 1980-an tetapi baru berhasil digunakan akhir-akhir ini. Terdapat beberapa alasan mengapa hal ini terjadi, antara lain disebabkan karena,

• Deep Learning membutuhkan data dengan jumlah yang banyak
• Deep Learning membutuhkan komputer dengan spesifikasi tinggi yang saat itu masih belum dapat dipenuhi

Istilah Deep Learning sendiri mulai dikenal publik sejak publikasi paper Geoffrey Hinton pada tahun 2006 yang membahas tentang salah satu varian neural network yang disebut 'Deep Belief Network'. 

 

Paper ini menginisiasi pemahaman tentang perbedaan arsitektur jaringan saraf tiruan konvensional (single layer) dengan arsitektur jaringan saraf tiruan multi/banyak layer yang digunakan dalam Deep Learning.

Jenis Deep Learning

Terdapat 2 jenis Deep Learning secara umum bila ditinjau dari cara pembelajaran datanya, yaitu

• Unsupervised Learning, tipe ini digunakan ketika ditemukan variabel target yang tidak berlabel. Korelasi nilai yang lebih tinggi harus dihitung dari unit yang diamati untuk menganalisis polanya.
• Hybrid Deep Networks, tipe ini digunakan agar dapat dicapai hasil yang baik dengan menggunakan metode supervised dan unsupervised learning secara bersamaan.

 

Arsitektur Deep Learning

Menentukan jenis arsitektur model Deep Learning merupakan hal yang sangat penting agar diperoleh prediksi dengan tingkat akurasi optimal. Arsitektur Deep Learning meliputi jumlah input dan variabel apa saja yang digunakan, jumlah lapisan, jumlah neuron pada setiap lapisan, dan fungsi aktivasi.

 

Seiring dengan perkembangannya, Deep Learning telah mampu menghasilkan analisis berdasarkan beberapa arsitektur berbeda. Beberapa arsitektur yang dapat digunakan dalam proses Deep Learning, yaitu

1. Reccurent Neural Network (RNN)
   RNN merupakan arsitektur berjenis yang digunakan agar mesin dapat memahami bahasa manusia yang meliputi cara berkomunikasi, mendengarkan, mengenali percakapan, hingga memahami tata bahasa dan aksen. Selain itu, RNN juga dapat digunakan untuk mengidentifikasi gambar.
   
   
2. Convolutional Neural Network (CNN)
   CNN adalah sebuah MLP (Multi Layer Perceptron) yang didesain secara khusus untuk mengidentifikasi image/gambar dua dimensi layaknya otak manusia. Menggunakan CNN membuat komputer dapat melihat dan membedakan berbagai objek atau biasa disebut sebagai 'Image Recognition'.
   
   CNN terdiri dari neuron-neuron yang memiliki weight, bias dan fungsi aktivasi yang tidak jauh berbeda dengan jaringan saraf tiruan pada umumnya. Mekanisme kerja CNN secara sederhana dapat dijelaskan sebagai berikut:
   
   1. Membaca dataset berupa gambar
   2. Memecah gambar menjadi beberapa gambar berukuran kecil
   3. Melakukan perhitungan dengan CNN
   4. Melakukan klasifikasi
   
   
3. Haar Hascade Classifier
   Arsitektur ini juga disebut sebagai algoritma Viola-Jones atau Haar Like Fiture. Ini merupakan suatu arsitektur yang biasa digunakan untuk mendeteksi objek pada grafis digital, salah satunya adalah wajah.
   
   Konsep yang digunakan pada arsitektur ini adalah mendeteksi objek berdasarkan nilai sederhana dari fitur sehingga pemrosesannya lebih cepat (dibandingkan dengan menggunakan piksel).
   
   Setiap fitur terdiri dari warna hitam. Nilai fitur didapatkan dari hasil operasi pengurangan antara nilai piksel pada area hitam dengan nilai piksel pada area putih ataupun sebaliknya. Didalam fitur tersebut berisi piksel-piksel citra dengan jumlah dan nilai tertentu.
   
   
4. Deep Belief Network
   DBM merupakan jenis arsitektur Deep Learning yang memanfaatkan tumpukan/stack Restricted Boltzmann Machines (RBM) atau Autoencoders. DBM terdiri dari beberapa lapisan latent variables, dimana masing-masing lapisan RBM saling terhubung kecuali lapisan node intra nya.
   
   
5. You Only Look Once (YOLO)
   YOLO merupakan arsitektur yang berfungsi untuk mendeteksi objek berdasarkan pada hubungan antar variabel (regresi). Alih-alih memilih bagian interistring pada suatu gambar, arsitektur ini cenderung memprediksi kelas dan bounding box (kotak pembatas) untuk keseluruhan gambar dalam sekali proses.
   
   Arsitektur ini biasanya digunakan untuk mendeteksi objek secara real time.
   

 

Cara Kerja Deep Learning

Seperti yang sempat disinggung pada bagian sebelumnya, Deep Learning membutuhkan data berlabel dalam jumlah yang banyak untuk menjalani prosesnya. Komputer akan belajar dengan sistem klasifikasi data secara biner (benar atau salah).

Ilustrasi Cara Kerja Deep Learning (sumber: Mathworks)

Deep Learning akan mengenali objek dari tepi sebelum ke bagian lainnya sehingga semakin banyak data yang digunakan maka akurasinya akan semakin meningkat. Hal ini lantaran Deep Learning dapat mempelajari data dengan lebih detail dan kaya sudut pandang.

Contohnya ketika ingin mengenali gambar anjing. Semua anjing tentu tidak terlihat sama persis, jenis Rottweiler dan Poodle jelas memiliki perbedaan rupa. Selain itu, gambar yang diambil dari yang berbeda dengan pencahayaan berbeda juga dapat mempengaruhi pemahaman mesin.

Karenanya, sekumpulan gambar yang digunakan harus diberi label, seperti label "anjing" dan "bukan anjing" agar mesin dapat mengenalinya. Gambar yang diolah kemudian dibaca sebagai data yang akan bergerak melalui jaringan dan berbagai node yang menetapkan bobot ke elemen yang berbeda.

Lapisan terakhir akan mengkompilasi informasi yang telah diperoleh dari data tersebut berdasarkan potongan informasi yang ada seperti berbulu, memiliki moncong, memiliki empat kaki, dll. Hasil dari proses ini akan memberikan output yang menentukan apakah data yang ada masuk kategori "anjing" atau "bukan anjing".

 

Aplikasi Deep Learning

Deep Learning telah banyak diaplikasikan dalam kehidupan sehari-hari dan terbukti banyak membantuk mempermudah tugas manusia. Berikut ini beberapa contoh aplikasi Deep Learning di beberapa bidang,

• Mengemudi Otomatis, Bidang ini memanfaatkan Deep Learning untuk secara otomatis mendeteksi objek seperti rambu-rambu lalu lintas. Selain itu, Deep Learning juga digunakan untuk mendeteksi ciri-ciri pejalan kaki sehingga mengurangi tingkat kecelakaan.
  
  
• Kedirgantaraan dan Pertahanan, Deep Learning juga dapat dimanfaatkan untuk mengidentifikasi objek dari satelit yang menemukan area yang dituju serta mengidentifikasi zona aman atau tidak aman bagi pasukan dalam berperang.
  
  
• Penelitian Medis, Deep Learning dapat membantu mendeteksi sel kanker secara otomatis. Contohnya adalah yang dilakukan Tim di University California Los Angeles, di mana mereka membuat mikroskop canggih yang menghasilkan kumpulan data berdimensi tinggi yang digunakan untuk melatih aplikasi Deep Learning untuk mengidentifikasi sel kanker secara akurat.
  
  
• Otomasi Industri, Deep Learning dapat membantu meningkatkan keselamatan pekerja di sekitar alat berat dengan secara otomatis mendeteksi saat orang atau benda berada dalam jarak yang tidak aman dari alat berat.
  
  
• Elektronik, Deep Learning dapat pula digunakan dalam pendengaran otomatis dan menerjemahan ucapan. Contohnya seperti Siri milik Apple, Cortana-nya Microsoft, Alexa di Amazon dan Google Assistant.

Saat ini, aplikasi Deep Learning banyak dirancang menggunakan bahasa pemrograman Python. Ya, Python adalah bahasa pemrograman yang memang sedang naik daun seiring dengan semakin maraknya riset tentang pengembangan Deep Learning dan Artificial Intelligence pada umumnya.

 

Perbedaan Deep Learning dan Machine Learning

Deep Learning merupakan salah satu bagian dari Machine Learning. Secara alur kerja, Machine Learning dimulai mengekstrak fitur-fitur relevan secara manual dari gambar. Fitur tersebut kemudian digunakan untuk membuat model yang mengkategorikan objek dalam gambar.

Perbedaan Deep Learning dan Machine Learning (sumber: Mathworks)

Untuk mengetahui Machine Learning lebih lanjut, kamu dapat membaca artikel Machine Learning dan Aplikasinya.

Disisi lain, Deep Learning tidak melakukan ekstraksi fitur secara manual tetapi sudah otomatis. Akurasinya juga akan meningkat seiring dengan penambahan jumlah data, di mana Machine Learning memiliki kemungkinan berhenti pada tingkat performa tertentu.

 

Perbedaan Deep Learning dan Neural Network Sederhana

Deep Learning memang memiliki kesamaan dengan sistem neural network tetapi bukan berarti sama persis.

Perbedaan Deep Learning dan Neural Network (sumber: Medium/xenonstack)

Dalam Neural Network sederhana hanya dapat mengidentifikasi objek dengan beberapa kriteria tertentu yang prosesnya tidak begitu kompleks. Hanya terdapat 1-2 lapisan saja yang digunakan dalam proses ini serta data input yang membutuhkan lebih banyak informasi untuk menentukan arsitektur yang tepat.

Disisi lain, apa yang disebut Deep Learning adalah proses Neural Network yang mengidentifikasi objek lebih dari 2 lapisan (bahkan bisa mencapai ratusan) tanpa membutuhkan banyak informasi pada data input.

Penutup

Itulah sekilas tentang teknologi Deep Learning serta beberapa aplikasinya. Semoga dengan ini kamu sudah dapat mengenal lebih dalam teknologi satu ini. Mempelajarinya tentu menjadi sebuah nilai tambah bagi diri mu. Semoga artikel ini bermanfaat ya.

***

Apabila memiliki pertanyaan seputar artikel Mengenal Teknologi Deep  Learning Dan Aplikasinya, silahkan tulis dikolom komentar ya.

Bila artikel ini bermanfaat, bantu Gubuk Pintar menyebarkan manfaatnya dengan membagikan artikel ini ke sosial media mu melalui tombol share di bawah ini. Terimakasih orang baik!

Baca juga: