Bab 2
Bab 2
LANDASAN TEORI
Keberhasilan deep learning secara besar-besaran juga didukung oleh kemajuan dalam perangkat
keras dan perangkat lunak. Penggunaan GPU (Graphics Processing Unit) yang kuat dan
pengembangan perpustakaan komputasi numerik seperti TensorFlow dan PyTorch telah
memungkinkan pelatihan model yang lebih cepat dan efisien. Meskipun deep learning memiliki
kemampuan untuk menyelesaikan banyak masalah yang sulit, ia juga memiliki beberapa
tantangan. Dibutuhkan jumlah data yang besar dan pelatihan yang intensif untuk menghasilkan
model yang akurat, dan interpretasi hasilnya seringkali rumit karena struktur jaringan yang
kompleks. Namun, dengan terus berkembangnya teknologi dan metodologi, deep learning terus
menjadi kekuatan utama dalam ilmu data dan kecerdasan buatan(Minaee et al., 2021).
1. Peningkatan Kinerja di Berbagai Tugas: Deep learning telah mencapai kinerja luar biasa
dalam banyak tugas seperti pengenalan wajah, deteksi objek dalam citra, terjemahan
mesin, dan analisis sentimen. Model deep learning memiliki kemampuan untuk
menemukan pola yang kompleks dan abstrak dalam data, memungkinkan hasil yang lebih
baik dalam berbagai tugas pemrosesan data.
2. Automatisasi dan Otomatisasi: Deep learning dapat mengotomatisasi banyak tugas yang
dulunya memerlukan intervensi manusia yang signifikan. Contohnya termasuk
pengenalan karakter tulisan tangan, identifikasi penyakit medis dari gambar medis, atau
bahkan mengemudikan mobil secara otonom.
3. Peningkatan Keamanan dan Pengawasan: Di bidang keamanan, deep learning digunakan
dalam deteksi intrusi jaringan, pengenalan wajah untuk kontrol akses, dan analisis video
untuk mengidentifikasi perilaku mencurigakan.
4. Pengobatan Medis yang Lebih Baik: Dalam bidang medis, deep learning dapat digunakan
untuk mendiagnosis penyakit dengan lebih akurat dan cepat berdasarkan gambar medis
seperti sinar-X dan MRI. Hal ini dapat membantu dokter dalam pengambilan keputusan
yang lebih baik dalam diagnosis dan perawatan.
5. Pengembangan Obat Baru: Deep learning dapat memproses dan menganalisis data
biologis dan kimia besar untuk menemukan hubungan dan pola yang dapat membantu
dalam pengembangan obat baru dengan lebih efisien.
6. Interaksi Manusia-Komputer yang Lebih Alami: Dalam pengolahan bahasa alami, deep
learning membantu membangun asisten virtual dan chatbot yang dapat memahami dan
merespons bahasa manusia dengan lebih alami dan akurat.
7. Analisis Big Data: Deep learning mampu mengolah dan menganalisis jumlah data yang
besar dan kompleks dengan lebih efisien, sehingga dapat menghasilkan wawasan
berharga dari data tersebut.
8. Inovasi Produk dan Layanan: Dalam berbagai industri, deep learning dapat membantu
menciptakan produk dan layanan baru yang lebih cerdas dan lebih adaptif, seperti mobil
otonom, asisten virtual pintar, dan lebih banyak lagi.
9. Analisis Citra dan Video: Deep learning memiliki kemampuan untuk menganalisis dan
memahami citra dan video dengan lebih mendalam, termasuk deteksi objek, pengenalan
wajah, pelacakan objek, dan rekonstruksi citra.
10. Prediksi dan Pengoptimalan: Model deep learning dapat digunakan untuk melakukan
prediksi yang lebih akurat dalam berbagai bidang, seperti prediksi penjualan, pergerakan
harga saham, atau kondisi cuaca.
2. Jaringan Multilapis
Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer ini memiliki
kemampuan lebih dalam memecahkan masalah bila dibandingkan dengan single layer,
namun pelatihannya mungkin lebih rumit.
Pada gambar 2.1 (𝑥𝑡 ) adalah sebagai input, (ℎ𝑡 ) sebagai output dan terdapat alur perulangan
dimana memungkinkan informasi dilewatkan dari satu langkah jaringan ke langkah berikutnya
(Britz, 2015). CNN juga dianggap sebagai banyak salinan yang sama, masing-masing
menyampaikan pesan kepada penerus seperti pada gambar 2.6
Pada gambar 2.6 dalam satu CNN terdapat banya salinan yang sama. (𝑥𝑡 ) sebagai input,
(ℎ𝑡 ) sebagai output dan terdapat alur perulangan yang memungkinkan informasi
dilewatkan dari satu langkah jaringan ke langkah berikutnya
2.6 RMSE (Root Mean Square Error)
Kriteria yang digunakan untuk mengukur kebaikan model setelah diperoleh suatu model adalah
root mean square error (RMSE) . RMSE merupakan alat seleksi model berdasarkan pada error
hasil estimasi. Error yang ada menunjukkan seberapa besar perbedaan hasil estimasi dengan nilai
yang akan diestimasi. Nilai ini akan digunakan untuk menentukan model mana yang terbaik.
Definisi RMSE dapat ditulis sebagai berikut.
2.7 Python
Python adalah bahasa pemrograman interpretatif multiguna. Tidak seperti bahasa lain
yang susah untuk dibaca dan dipahami, python lebih menekankan pada keterbacaan kode agar
lebih mudah untuk memahami sintaks. Hal ini membuat Python sangat mudah dipelajari baik
untuk pemula maupun untuk yang sudah menguasai bahasa pemrograman lain. Bahasa ini
muncul pertama kali pada tahun 1991, dirancang oleh seorang bernama Guido van Rossum.
Sampai saat ini Python masih dikembangkan oleh Python Software Foundation. Bahasa Python
mendukung hampir semua sistem operasi, bahkan untuk sistem operasi Linux, hampir semua
distronya sudah menyertakan Python di dalamnya. Dengan kode yang simpel dan mudah
diimplementasikan, seorang programmer dapat lebih mengutamakan pengembangan aplikasi
yang dibuat, bukan malah sibuk mencari syntax error (Hapke et al., 2019). Python memiliki tools
sebagai berikut:
Gambar 2.8 tools python
Sumber: (Azhar et al., 2022)
2.8 Flowchart
Flowchart adalah bagan – bagan yang mempunyai arus yang menggambarkan langkah –
langkah penyelesaian suatu masalah. Flowchart merupakan cara penyajian dari suatu algoritma
(Green, 2018). Flowchart adalah Untuk menggambarkan sebuah algoritma yang terstruktur dan
mudah dipahami oleh orang lain khususnya programmer yang bertugas mengimplementasikan.
program, maka dibutuhkan alat bantu yang berbentuk diagram alur. (Hasan et al., 2020)
Berdasarkan penjelasan ahli diatas maka penulis menyimpulkan Flow Chart merupakan bagan
(chart) yang menunjukkan alir (flow) di dalam program atau prosedur sistem secara logika.
Bagan alir digunakan terutama untuk alat bantu komunikasi dan untuk dokumentasi. Tujuan
penggunaan flowchart adalah untuk menggambarkan suatu tahapan penyelesaian masalah secara
sederhana, terurai, rapi, dan jelas dengan menggunakan simbol-simbol yang standar. Tahapan
penyelesaian masalah yang disajikan harus jelas, sederhana, dan tepat. Berikut ini symbol
symbol flowchart:
Tabel 2.1 Simbol Flowchart
Simbol Keterangan
Penghubung
Simbol untuk keluar/masuk atau proses dalam lembar atau
halaman lain.
Input Output
Simbol yang menyatakan proses input dan output tanpa
tergantung dengan jenis peralatannya.
Dokumen
Simbol yang menyatakan input berasal dari dokumen dalam
bentuk kertas atau ouput dicetak di kertas.
On Line Storage
Simbol yang menunjukan bahwa data di dalam simbol ini
akan di simpan.
Simbol Garis Alir
Digunakan untuk menunjukkan arah selanjutnya yang akan
dituju dari simbol-simbol dan flowchart.
Simbol Manual
Simbol yang menunjukan pengolahan yang tidak dilakukan
oleh komputer.
Terminal
Simbol yang menunjukan untuk permulaan atau akhir suatu
sistem.
Kondisi
Simbol keputusan yang menunjukkan kondisi.
Proses
Simbol yang menunjukan pengolahan dilakukan oleh
komputer.
Penghubung
Simbol untuk keluar/masuk prosedur atau proses dalam
lembar atau halaman yang masih sama.
Actor
yang akan dibuat di luar sistem
informasi yang akan dibuat itu sendiri,
Jadi walaupun simbol dari aktor
adalah gambar orang,tapi aktor belum
tentu merupankan orang,
Komunikasi antara aktor dan use case
yang berpartisipasi pada user atau use
Asosiasi / Asociation case memiliki interaksi dengan aktor