Table Of Contents

Apa itu Deep Learning?Jenis-jenis Algoritma Deep LearningMengapa Deep Learning

Penting untuk Era Saat Ini?Contoh Penerapan Deep LearningFAQ (Frequently Asked
Question)
Apa itu Deep Learning?

Pengertian deep learning

Berdasarkan International Business Machines (IBM), deep learning adalah bagian
dari machine learning yang bekerja dengan artificial neural networks,
yaitu algoritma yang dirancang untuk meniru cara manusia berpikir dan belajar.

Neural network ini berusaha mensimulasikan perilaku otak manusia dan

memungkinkannya untuk “belajar” dari sejumlah data besar.

Model deep learning digunakan untuk mengenali pola kompleks dalam gambar, teks,
suara, dan data lainnya untuk menghasilkan wawasan dan prediksi yang akurat. Tak
hanya itu, metode ini juga bisa mengotomatiskan tugas yang biasanya memerlukan
kecerdasan manusia, seperti mendeskripsikan gambar atau menyalin file suara menjadi
teks, tanpa campur tangan manusia.

Jenis-jenis Algoritma Deep Learning

Dirangkum dari Simplilearn, berikut beberapa jenis algoritma deep learning:

Convolutional Neural Networks (CNNs)

CNN atau dikenal dengan ConvNets terdiri dari banyak lapisan. Algoritma ini utamanya
digunakan untuk memproses gambar dan mendeteksi objek. Pada awal
pengembangannya, CNN bertujuan untuk mengenali karakter seperti kode ZIP dan
angka.

Dalam CNN, ada tiga dasar pembangunan block, yaitu convolution layer, pooling
layer, dan full-connected layer.

Generative Adversarial Networks (GANs)

GAN adalah algoritma deep learning yang membuat contoh data baru menyerupai data
asli (data untuk pelatihan). GAN memiliki dua komponen, yaitu generator (yang belajar
menghasilkan data palsu) dan diskriminator (yang belajar dari informasi palsu
tersebut).

Cara kerja GAN yaitu diskriminator belajar membedakan antara data palsu generator
dan data sampel asli. Selama pelatihan awal, generator menghasilkan data palsu, dan
diskriminator dengan cepat mengetahui bahwa itu salah.
Long Short Term Memory Networks (LSTMs)
LSTM dapat mempelajari dan mengingat informasi dalam jangka panjang.

LSTM menyimpan informasi dari waktu ke waktu. Mereka berguna dalam prediksi deret
waktu karena dapat mengingat input sebelumnya. Dengan arsitektur yang dirancang
khusus, memungkinkan model LSTM memutuskan apakah akan menyimpan informasi
sebelumnya dalam memori jangka pendek atau membuangnya.

LSTM memiliki struktur seperti rantai terdiri dari empat lapisan yang saling berhubungan.
Selain prediksi deret waktu, LSTM biasanya digunakan untuk mengenali ucapan,
komposisi musik, dan tingkat kemanjuran obat-obatan medis

LSTM bekerja dengan cara melupakan bagian yang tidak relevan dari peristiwa
sebelumnya. Algoritma ini secara selektif memperbarui nilai dari bagian tertentu lalu
menampilkan hasil seleksinya.

Multilayer Perceptrons (MLPs)

MLP merupakan model yang sering dipakai dalam pengembangan neural
network karena tingkat keakuratannya tinggi. Inti dari algoritma MLP adalah adanya
sistem backpropagation yang mampu mendeteksi error dalam jaringan.

MLP sebagian besar digunakan untuk membangun sistem pengenalan gambar, ucapan,
maupun beberapa jenis software terjemahan lainnya.

Self organizing Maps (SOM)

SOM mencoba memecahkan masalah dengan visualisasi data dengan anggapan
manusia tidak bisa dengan mudah memvisualisasikan data-data kompleks. SOM dibuat
agar membantu pengguna memahami informasi kompleks tersebut lebih cepat.

Recurrent Neural Networks (RNNs)

Hubungan dalam RNN membentuk siklus terarah yang memasukkan output dari
LSTM. Output LSTM menjadi input dari siklus yang ada di RNN dan dapat
mengingat input sebelumnya karena memori internalnya.

RNN umumnya digunakan untuk keterangan gambar, analisis deret waktu, pengenalan
tulisan tangan, dan terjemahan mesin.

Mengapa Deep Learning Penting untuk Era Saat Ini?

Pada dasarnya, teknologi artificial intelligence berusaha melatih komputer untuk berpikir
dan belajar seperti manusia. Adanya teknologi deep learning mendorong AI membuat
banyak aplikasi yang digunakan dalam kegiatan sehari-hari, seperti:
  Asisten virtual
 Pengenalan wajah otomatis
 Pengenalan sidik jari
 Remote televisi yang dapat diaktifkan melalui suara
 Mendeteksi penipuan
 Self-driving
Model deep learning memungkinkan file komputer yang telah dilatih oleh data
scientist bisa melakukan tugas menggunakan algoritma atau serangkaian langkah yang
sebelumnya sudah ditentukan.

Sementara bagi bisnis, model deep learning penting untuk menganalisis data dan
membuat prediksi bisnis di masa mendatang.

Contoh Penerapan Deep Learning

IBM memberikan beberapa contoh penggunaan deep learning dalam berbagai aspek:

Kesehatan
Sejak era digital, industri healthcare mendapat banyak manfaat dari kemampuan deep
learning untuk keperluan pencatatan riwayat medis dan analisis hasil pemeriksaan
radiologi. Aplikasi pengenalan gambar (recognition) dapat mendukung ahli radiologi
dalam menganalisis dan menilai lebih banyak gambar dalam waktu singkat.

Pelayanan pelanggan
Banyak perusahaan mengandalkan chatbot dalam berbagai aplikasi, layanan, dan portal
layanan pelanggan. Ini adalah salah satu teknologi deep learning dan merupakan
bentuk langsung dari AI.

Chatbot yang lebih canggih berusaha menentukan jawaban dari pertanyaan-pertanyaan

dengan ambiguitas tinggi. Berdasarkan tanggapan yang diterimanya, chatbot kemudian
mencoba menjawab pertanyaan tersebut sesuai dengan pelatihan data yang telah
diterima sebelumnya.

Layanan keuangan
Lembaga keuangan menggunakan analisis prediktif untuk mendorong perdagangan
saham, menilai risiko bisnis guna persetujuan pinjaman, mendeteksi penipuan, dan
membantu mengelola portofolio kredit untuk klien. Agar analisisnya bisa akurat, mereka
menggunakan algoritma deep learning.

FAQ (Frequently Asked Question)

Apa perbedaan dari machine learning dan deep
learning?

Machine learning dan deep learning

Machine learning adalah bagian dari artificial intelligence. Sementara deep
learning adalah bagian dari machine learning.

Machine learning merupakan turunan dari artificial intelligence yang berfokus pada
pengembangan algoritma dan model statistik. Machine learning memungkinkan
komputer belajar dan membuat prediksi atau keputusan tanpa harus diprogram secara
eksplisit.

Ini dilakukan dengan melatih kumpulan data besar untuk mengidentifikasi pola dan
hubungan. Setelah itu, sistem menggunakan pola ini untuk membuat prediksi atau
keputusan tentang data baru.

Di sisi lain, deep learning adalah bagian dari machine learning yang
menggunakan neural network dengan banyak lapisan untuk menganalisis pola dan
hubungan yang kompleks dalam data. Ini terinspirasi oleh struktur dan fungsi otak
manusia.

Model deep learning dilatih menggunakan sejumlah besar data dan algoritma yang
dapat dipelajari dan ditingkatkan dari waktu ke waktu, sehingga menjadi lebih akurat
saat memproses lebih banyak data.

Deep learning lebih cocok diterapkan untuk masalah-masalah yang lebih

kompleks dan memungkinkan untuk beradaptasi dengan situasi baru. Dengan
kata lain, deep learning merupakan bentuk pembelajaran mesin yang lebih
kompleks karena mampu memproses data tidak terstruktur.

Dirangkum dari Geeks for Geeks, berikut perbedaan lebih lanjut antara machine
learning dan deep learning:

 Output dari machine learning umumnya berupa nilai numerik, seperti klasifikasi
skor. Output dari deep learning lebih beragam, mulai dari nilai numerik sampai
teks bebas dan suara.
 Proses latihan data untuk machine learning dapat dilakukan dengan
menggunakan CPU (Central Processing Unit). Sementara proses latihan deep
learning harus menggunakan GPU (Graphics Processing Unit) khusus.
 Dalam machine learning, lebih banyak intervensi manusia yang terlibat untuk
mendapatkan hasil. Berbeda dengan deep learning yang membutuhkan lebih
sedikit intervensi setelah sistem berjalan.
 Dibandingkan deep learning, aplikasi machine learning lebih sederhana dan
dapat dijalankan pada komputer standar.
 Machine learning melibatkan algoritma untuk mengidentifikasi pola dan
hubungan dalam data. Sedangkan deep learning menggunakan neural
 network kompleks dengan banyak lapisan untuk menganalisis pola dan
hubungan yang lebih rumit.
 Algoritma machine learning biasanya membutuhkan lebih sedikit data dan tetap
mengedepankan kualitasnya. Algoritma deep learning membutuhkan data dalam
jumlah besar untuk melatih neural network, tetapi dapat belajar dan
meningkatkan kemampuannya sendiri ketika memproses lebih banyak data.