Nama : Mutrafin

NIM : E1E120017
Kelas : Ganjil

SEJARAH DEEP LEARNING

Saat ini kita sudah banyak mendengar berita bahwa kecerdasan buatan atau artificial
intelijen banyak sekali cara masif digunakan untuk memerangi Corona virus.

Ini adalah salah satu website yang menyediakan artikel tentang bagaimana kemudian
kecerdasan buatan atau khususnya mechine learning itu digunakan untuk melawan atau untuk
menanggulangi wabah Corona virus yang saat ini sedang terjadi di seluruh dunia.
Beberapa waktu yang lalu salah satu badan riset atau grup riset di Kanada factory institut
merilis hal-hal yang bisa dilakukan oleh peneliti di bidang artifisial intelijen untuk melawan
Covid-19 salah satunya yakni Bagaimana kemudian artificial intelligence itu bisa digunakan
untuk melakukan rapid scrining yakni dokter dapat melihat bagaimana tingkat keparahan
seseorang apakah dia terkena covid 19 atau tidak atau penyakit yang lain hanya dengan cara
melihat CT scan atau CT image. Jadi ketika paru-paru atau bagian-bagian tubuh tertentu di scan
maka akan muncul ciri-ciri khusus ketika seseorang terkena penyakit tertentu.
Artifisial intelijen dapat digunakan untuk melakukan klasifikasi apakah seseorang itu
terkena covid 19 atau penyakit yang lain, yang mana kemudian salah satu gejala yaitu
pneumonia atau radang paru-paru itu ditemukan. Sehingga implementasi dari artificial intelijen
itu bisa dimanfaatkan untuk tujuan kemanusiaan.Teknologi yang saat ini sangat banyak
digunakan untuk melakukan klasifikasi salah satunya adalah Deep Learning.
Deep Learning adalah salah satu jenis Mechine Learning yang melatih computer untuk
melakukan tugas seperti manusia, aeperti mengenali ucapan, mengidentifikasi gambar, atau
membuat prediksi yang akurasinya dapat melebihi kemampuan manusia sendiri.
Dalam kehidupan sehari-hari artificial intelijen sudah banyak digunakan, misalnya untuk
mengenali suara, untuk mentraining game sampai kemudian game itu bisa mengalahkan pemain
profesional bahkan juara dunia dan bisa digunakan juga untuk mendeteksi wajah-wajah rekan-
rekan kita melalui foto yang kita unggah. Inilah kemudian yang terjadi di dunia saat ini, dimana
kemudian artificial intelijen ini banyak sekali digunakan di bidang-bidang yang selama ini kita
gunakan untuk berinteraksi.
Machine Learning adalah bagian dari artificial intelijen, kemudian dari berbagai macam
algoritma yang ada di machine learning ini ada salah satu algoritma yang dia sebenarnya
berbasis jaringan syaraf tiruan atau artificial neural Network .
4 tipe mechine learning, yaitu :
a. Berbasis Artificial Neural Network (ANN)
b. Berbasis geometric
c. Berbasis rol
d. Berbasis teori peluang
Bagaimanakah jaringan syaraf tiruan atau yang saat ini lebih dikenal dengan Deep
Learning tumbuh dan banyak digunakan di seluruh dunia?

Dari gambar di atas dapat dilihat bahwa Deep Learning itu sudah tumbuh dari
ditemukannya riset kecerdasan buatan itu sendiri, yaitu pada tahun 1940-an. Kemudian sejarah
bergerak dengan berbagai macam permasalahan yang ditemukan lagi kita akan berhasil jika
tentang ekspor problem bagaimana konsep tidak bisa memecahkan permasalahan yang non linear
sampai kemudian nanti akan muncul tahun 19086 itu teori matematis untuk training jaringan
syaraf tiruan yang dia terdiri dari multi layar atau lapisan-lapisan yang tidak hanya lapisan input
dan output aku juga hidden layer dengan lapisan yang cukup sampai pada akhir tahun 2006
sistem ini kemudian di branding atau disebut atau di pasarkan kembali di tawarkan kembali ke
komunitas peneliti dengan sebutan Deep Learning.
Jika kita lihat secara sekilas bagaimana kemudian history-nya atau sejarahnya di tahun
1940 dimana pada saat itu militer Amerika itu begitu gencarnya mengadakan penelitian. Saat itu
angkatan laut Amerika membiayai banyak peneliti salah satunya adalah Frank Rosenblatt untuk
membuat sebuah mesin yang dia bisa melakukan pengenalan, terjadi pada tahun 1940-1950 dan
ini adalah masa-masa awal kecerdasan buatan.
Saat itu pada tahun 1943, 2 orang peneliti yaitu McCulloch dan Walter Pitts mengusulkan
sebuah metode untuk meniru jaringan saraf manusia jadi recorded logic unit dengan waigting,
yang mana kemudian ini adalah model yang paling sederhana tentang neuron.
Kemudian tahun 1957Rosenblatt’s Perceptron itu mengusulkan konsep turunnya atau
jaringan neuron yang sangat sederhana sekali dan saat itu sudah mampu digunakan untuk
mengenali pola dari foto-foto dengan beberapa pixel yang ukurannya cukup besar dan di situ
bisa digunakan untuk mengenali tulisan bahkan Letters atau nomor.
Akan tetapi kemudian tahun 1960-an nya ada dua orang peneliti dari MIT, Marvin L.
Minsty ini salah satu orang yang kemudian sangat kontra terhadap produk intelijen dengan
meniru jaringan saraf manusia ini menulis tentang kelemahan pertecpronts (Minsky and Papert
show that the perceptron can’t even solve the XOR problem). Dua orang ini mengambil project
yang berbeda.
Dalam sejarah sebenarnya Artificial Intelijen itu ada dua stream atau bisa juga disebut dua
aliran, yaitu yang pertama adalah atau Neuron Network (ANN) ini adalah aliran dari rosenblatt
dan kawan-kawannya dan yang kedua adalah aliran Rule-Based atau expert system atau sering
dikenal dengan expert system dimana kemudian dua aliran ini cukup cukup berbedanya aliran
yang pertama yang ini dia tidak mempedulikan secara kasar tidak terlalu peduli bagaimana
kemudian model matematis itu di genre dia hanya membutuhkan input, output kemudian model
matematis dengan jaringan syaraf tiruan yang mana kemudian operator itu tidak terlalu ikut
campur menentukan bagaimana kemudian model matematika kemudian oleh Marvin minsky
dikatakan memiliki kelemahan karena pada saat itu dia hanya bisa memisahkan kelas atau
kategori yang sifatnya linier sementara kemudian Marvin minsky dan Papert ini mengusulkan
bahwa sebenarnya kita bisa menjenre AI kalau kita tahu Rul atau bagaimana kemudian Export
itu bekerja untuk mengkategorisasikan objek sehingga di situ kemudian muncul ekspor sistem
yang berbasis seperti yang kita kenal sekarang yaitu berbasis IF dan ELSE programan dengan
conditioning yang kemudian diproses di awal-awal tumbuhnya riset AI oleh Marvin minsky dan
Papert.

salah satu tujuan dari machine learning itu adalah memisahkan atau mengkategorisasikan
kelas. Disini kita ambil contoh ada 2 kelas kelas yang pertama atau level ya kategori pertama dan
ini kelas yang kedua dengan adanya dua kelas seperti ini dengan data yang jauh berbeda yang
kita lihat 0 sama 1 ini akan sangat mudah di klasifikasikan ketika kita bisa menjenre persamaan
linear. Persamaan inilah yang kemudian dilakukan oleh Perceptron, di awal tumbuhnya jaringan
syaraf tiruan perceptron itu hanya bisa mengkategorisasikan dua kelas yaitu kelas 1 dan kelas
yang ke-2.
Tetapi kemudian ketika problemnya berubah atau ketika fungsi yang menghubungkan
antara input dan output itu berubah seperti ini:

Maka kemudian problem muncul, dimana output itu akan bernilai 1 kalau inputnya itu
berbeda dan ini sangat mungkin terjadi. Tidak boleh ada input yang sama, output hanya akan
bernilai TRUE kalau inputnya berbeda dan disini muncullah permasalahan karena fungsi ini
ternyata dalam fungsi non linear. Sementara perseptron pada saat itu hanya bisa memisahkan
kelas yang sifatnya linear sehingga disini bisa dilihat ekuation yang di genre itu tidak bisa
memisahkan item output ini dari nol seharusnya begini kalau tinggi dipisahkan tapi pada saat itu
orang belum tahu bagaimana cara membuat fungsi non linear dengan kemampuan komputer
yang ada pada saat itu.
Kemudian tahun 1986 ada peneliti dari California San Diego dan Carnegie Mellon
University, yaitu Profesor Ainton mengusulkan sebuah metode baru jadi bagaimana kemudian
seseorang itu bisa membuat jaringan syaraf tiruan yang sifatnya non linear dan sifatnya dan bisa
di training wightingnya dimana pada saat sebelum tahun 86 orang tidak tahu bagaimana
kemudian bisa mentrining jaringan syaraf tiruan yang sifatnya multilayer kemudian di training
untuk meng-ejas webnya atau bobot dari masing-masing notes di jaringan syaraf tiruan
tersebutnya.
Pada tahun 1986, Jofri Hinton mengusulkan metode backpropagation yang mana metode
ini bisa di gunakan untuk mentrining berdasarkan error yang kemudian muncul dari output
jaringan syaraf tiruan dan X output atau output yang diharapkan.
Tahun 1999 jaringan jaringan syaraf tiruan ini sudah mulai kembali digunakan pada saat
itu belum terlalu populer karena masih terbatas pada aplikasi-aplikasi yang sifatnya komersial
dan membutuhkan resources yang cukup besar, salah satu contoh yang kemudian cukup banyak
dipakai di berbagai macam kuliah tentang AI adalah ini, yaitu:
 Jadi ini salah satu aplikasi jaringan syaraf tiruan untuk mengenali tulisan tangan ya hand
writing in bank check, jadi mengenali tulisan tangan pada cek bank. Disini jaringan saraf
tersebut disebut sebagai LeNet ini diambil dari nama pengembangnya Yann Le Cun yang saat ini
menjadi Head Of AI di Facebook. Jadi tahun 99 sudah mulai digunakan Meskipun tidak semasif
saat ini.
Tahun 2006 jaringan syaraf tiruan ini mulai banyak digunakan di aplikasi aplikasi lain dan
pada saat itu muncullah istilah baru untuk membranding yang disebut sebagai Deep Learning.
Kenapa kemudian disebut sebagai Deep learning, karena pada saat itu mulai muncul trend bahwa
jaringan syaraf tiruan ini bisa trainingnya dengan banyak layer, seperti ada input output ini.
pada tahun 2007-2008 ada seorang peneliti yang menjadi kovalen dari Korsel (Andrew Ng)
mungkin anda tahu ini menggunakan Nvidia untuk training Network jadi dan saat itu ternyata
juga bisa menekan waktu training dengan jumlah data yang besar waktu training bisa ditekan
karena GPU ini ternyata memiliki chip yang lebih banyak daripada CPU yang mana kemudian
aplikasi chip ini tadinya digunakan untuk komputer game, tapi Kemudian oleh orang ini di
manfaatkan untuk melatih neuro network. pada saat itulah kemudian rame-rame orang kemudian
menggunakan GPU untuk melakukan riset dan saat ini kerennya bergesernya jadi Nvidia saat ini
Bisnis penjualan grafik itu sudah bukan lagi ya masih digunakan untuk gratis dan kirim tapi
market utama atau pasar utamanya adalah peneliti di bidang AI.
Tahun 2012 ini juga sejarah yang cukup menarik karena tadinya jaringan syaraf tiruan ini
hanya dipakai atau hanya dimanfaatkan di laboratorium setara Universitas atau lembaga riset,
tapi kemudian tahun 2012 ini ada sebuah event yang cukup populer yang mana kemudian ada
peneliti yang salah satunya adalah Geoffrey Hinton bersama 2 orang staf mahasiswanya
mengusulkan Deep Learning untuk melakukan klasifikasi gambar. Jadi image competition Ini
adalah sebuah Olimpiade di bidang ilmu computer Vision begitu yang dilakukan atau
diselenggarakan oleh Stanford University dan university di situ ada jutaan Citra jutaan Citra
jutaan dengan ada puluhan kategori Citra dengan puluhan kelas yang mana kemudian peneliti di
bidang kecerdasan buatan ini diminta untuk membangun Smart atau mempertandingkan
algoritma-algoritma atau Teknologi yang dikembangkan untuk melakukan klasifikasi Citra Citra
tadi ke kelas-kelas yang berbeda tahun 2012 ini mengusulkan di perning itu adalah pertama
kalinya dibilangin di diikutsertakan dalam kompetisi ini dan sejarah mencatat bahwa error atau
kesalahan klasifikasi itu turun sangat drastis Anda bisa melihat dari 26 sekian persen turun
sampai 15% ini sekitar 11 persennya turunnya dan ini cukup fantastis waktu itu ya sehingga
orang kemudian melihat potensi dari Ini hasilnya dipublikasikan secara umum sehingga
kemudian banyak perusahaan di waktu itu yang tertarik untuk mengadopsi Deep learning Dan
inilah momen dimana pembelian Deep learning menjadi sangat sangat booming seperti yang
kemudian sekarang kita kenal aja di Facebook menggunakan hyperlink Google menggunakan
hyperlink Amazon Instagram Dan Hampir seluruh staf apakah yang ada di Indonesia saat ini
mereka menggunakan itu untuk berbagai macam keperluan.
Tahun 2016 Google yang menciptakan sebuah komputer yang bernama alphago kemudian
komputer ini dipertandingkan dengan juara dunia permainan dan berhasil mengalahkan juara
dunia tersebut, bahkan kemudian Deep learning yang kemudian dikombinasikan Deep
reinforcement learning itu bisa memainkan video game sebagaimana manusia dan bahkan
mencapai akurasi yang lebih tinggi dibandingkan manusia bahkan ini pun juga bisa menyeret
gambar-gambar baru yang kemudian muncul dari gambar-gambar yang sudah ada sebelumnya.
 Mengapa kemudian berkembang sedemikian pesatnya saat ini, hal ini dipengaruhi oleh 3
penyebab utama, yaitu :
a. Big Data
b. Hardware
c. Software