Deep Learning Adalah: Pengertian, Cara Kerja & Contoh

Anda membuka ponsel hanya dengan menatap layar. Anda meminta asisten suara memutar lagu. Anda melihat daftar rekomendasi video yang anehnya pas dengan selera. Di balik ketiga hal itu, ada satu teknologi yang sama-sama bekerja. Teknologi itu mampu mengenali wajah, memahami ucapan, dan menebak keinginan Anda tanpa pernah diberi tahu aturannya satu per satu. Nama teknologi tersebut adalah deep learning.

Secara singkat, deep learning adalah cabang dari kecerdasan buatan yang membuat mesin belajar dari contoh dalam jumlah sangat besar, mirip cara manusia belajar dari pengalaman. Artikel ini membahas deep learning dalam pengertian teknologi dan kecerdasan buatan. Istilah "deep learning" belakangan juga dipakai di dunia pendidikan untuk menyebut sebuah pendekatan belajar, tetapi itu topik yang berbeda dan tidak kita bahas di sini.

Mari kita mulai dari definisinya, lalu pelan-pelan masuk ke cara kerjanya.

Deep Learning Adalah? Pengertian Sederhana

Deep learning adalah metode pembelajaran mesin yang menggunakan neural network (jaringan saraf tiruan) berlapis-lapis untuk mengenali pola dari data. Pendekatan ini terinspirasi dari cara kerja otak manusia, yang memproses informasi melalui jaringan sel saraf yang saling terhubung.

Inti idenya sederhana. Daripada menuliskan ribuan aturan untuk mengenali sesuatu, kita memberi mesin banyak sekali contoh, lalu membiarkannya menemukan polanya sendiri. Bayangkan Anda mengajari anak kecil membedakan kucing dan anjing. Anda tidak menjelaskan rumus "kalau telinganya runcing dan kumisnya panjang berarti kucing". Anda cukup menunjukkan banyak gambar sambil menyebut namanya, dan lama-lama anak itu paham sendiri. Deep learning belajar dengan cara yang mirip.

Karena itu, deep learning sangat kuat untuk pekerjaan yang sulit dijabarkan dengan aturan kaku, seperti mengenali wajah, memahami bahasa, atau menerjemahkan suara menjadi teks. Pekerjaan semacam ini terlalu rumit untuk ditulis sebagai daftar instruksi, tetapi cukup mudah dipelajari dari contoh.

Kenapa Disebut "Deep"? Mengenal Jaringan Saraf Tiruan

Kata "deep" (dalam) merujuk pada jumlah lapisan di dalam jaringannya. Untuk memahami ini, kita perlu mengenal dulu unit terkecilnya, yaitu neuron buatan, sebuah perhitungan kecil yang menerima angka, mengolahnya, lalu meneruskan hasilnya.

Neuron-neuron ini disusun dalam tiga jenis lapisan:

1. Lapisan masukan (input layer): tempat data pertama kali masuk, misalnya piksel-piksel sebuah foto.
2. Lapisan tersembunyi (hidden layer): tempat pengolahan sebenarnya terjadi. Di sinilah pola dipelajari secara bertahap, dan jumlah lapisan ini bisa sangat banyak.
3. Lapisan keluaran (output layer): tempat jawaban akhir dihasilkan, misalnya kesimpulan "ini foto kucing".

Setiap koneksi antar-neuron memiliki bobot (weight), yaitu angka yang menentukan seberapa besar pengaruh satu neuron terhadap neuron berikutnya. Bobot inilah yang nilainya terus disesuaikan selama mesin belajar.

Disebut "dalam" karena jaringannya memiliki banyak lapisan tersembunyi yang bertumpuk, bisa puluhan bahkan ratusan lapisan. Jaringan sederhana mungkin hanya punya satu atau dua lapisan tersembunyi. Begitu lapisannya menjadi banyak dan bertumpuk-tumpuk, barulah kita menyebutnya deep neural network, dan metode melatihnya disebut deep learning.

Posisi Deep Learning: AI, Machine Learning, dan Deep Learning

Salah satu sumber kebingungan terbesar bagi pemula adalah tiga istilah yang sering dipakai bergantian: kecerdasan buatan, machine learning, dan deep learning. Padahal ketiganya tidak sama. Hubungannya berlapis, seperti lingkaran di dalam lingkaran.

1. Kecerdasan buatan (Artificial Intelligence): lingkaran terluar dan paling umum, yaitu segala upaya membuat mesin meniru kemampuan berpikir manusia.
2. Machine learning: bagian dari AI tempat mesin belajar dari data tanpa diprogram aturannya satu per satu.
3. Deep learning: bagian dari machine learning yang secara khusus memakai neural network berlapis-lapis.

Jadi semua deep learning adalah machine learning, dan semua machine learning adalah AI, tetapi tidak berlaku sebaliknya. Untuk gambaran lebih lengkap soal lingkaran terluarnya, Anda bisa membaca pembahasan kami tentang apa itu kecerdasan buatan.

Diagram hierarki AI, machine learning, deep learning, dan AI generatif.

Bedanya Deep Learning dan Machine Learning Biasa

Kalau deep learning bagian dari machine learning, apa yang membuatnya istimewa? Jawabannya terletak pada satu kemampuan: mesin merancang fiturnya sendiri.

Pada machine learning tradisional, manusia harus menentukan dulu ciri-ciri apa yang penting. Misalnya untuk mengenali kucing, seorang ahli perlu memberi tahu mesin agar memperhatikan bentuk telinga, panjang kumis, atau pola bulu. Proses merancang ciri-ciri ini disebut feature engineering, dan butuh keahlian khusus serta waktu yang tidak sedikit.

Deep learning membalik urusan ini. Anda cukup memberinya data mentah berupa foto, dan jaringannya menemukan sendiri ciri mana yang penting. Lapisan-lapisan awal mungkin mengenali hal sederhana seperti garis tepi dan warna. Lapisan berikutnya menggabungkannya menjadi bentuk seperti mata atau telinga. Lapisan yang lebih dalam lagi menyatukan semuanya menjadi "wajah kucing". Pengenalan bertahap inilah yang membuat deep learning unggul untuk data rumit seperti gambar, suara, dan teks.

Berikut perbandingan singkat keduanya:

Aspek	Machine Learning Biasa	Deep Learning
Perancangan fitur	Manual oleh manusia	Otomatis oleh mesin
Jenis data ideal	Data terstruktur (tabel, angka)	Data tidak terstruktur (gambar, suara, teks)
Kebutuhan data	Relatif lebih sedikit	Sangat besar
Kebutuhan komputasi	Lebih ringan	Berat, umumnya butuh GPU

Perlu dicatat, lebih canggih bukan berarti selalu lebih cocok. Untuk masalah dengan data tabel yang rapi dan jumlah contoh terbatas, machine learning biasa sering memberi hasil sebanding dengan biaya yang jauh lebih murah. Deep learning baru benar-benar unggul ketika datanya rumit, tidak terstruktur, dan tersedia dalam jumlah besar.

Cara Kerja Deep Learning: Bagaimana Mesin Belajar

Pertanyaan berikutnya yang wajar muncul: bagaimana jaringan ini benar-benar "belajar"? Prosesnya berputar, dan diulang berkali-kali sampai mesin cukup pandai.

Mari kita ikuti satu putarannya dengan contoh mengenali angka tulisan tangan:

1. Menebak: data masuk lewat lapisan masukan, mengalir melewati lapisan tersembunyi, dan menghasilkan tebakan di lapisan keluaran. Proses ini disebut forward propagation.
2. Mengukur kesalahan: tebakan mesin dibandingkan dengan jawaban yang benar. Selisih antara keduanya disebut error. Di awal pelatihan, error ini biasanya besar karena bobotnya masih acak.
3. Memperbaiki diri: mesin menyetel ulang bobot di setiap koneksi, mundur dari lapisan keluaran ke lapisan awal, supaya tebakan berikutnya lebih dekat ke jawaban benar. Tahap inilah yang disebut backpropagation.

Satu putaran tidak cukup. Ketiga tahap di atas diulang untuk ribuan hingga jutaan contoh, dan setiap putaran membuat bobotnya sedikit lebih tepat. Cara mesin menyetel bobot secara bertahap ini diatur oleh sebuah algoritma optimasi.

Diagram alur pelatihan deep learning dari data hingga model selesai dilatih.

Karena prosesnya menuntut pengulangan dalam jumlah masif, deep learning membutuhkan dua bahan yang tidak sedikit: data dalam jumlah besar dan daya komputasi yang tinggi. Inilah alasan pelatihan model besar umumnya dijalankan di komputer dengan banyak GPU (Graphics Processing Unit), bukan di laptop biasa.

Jenis Arsitektur Deep Learning yang Umum

Tidak semua neural network disusun dengan cara yang sama. Susunan lapisan dan cara datanya mengalir disebut arsitektur, dan tiap arsitektur cocok untuk jenis pekerjaan tertentu. Berikut yang paling sering Anda temui:

1. CNN (Convolutional Neural Network): dirancang untuk data visual seperti gambar dan video. CNN menjadi tulang punggung pengenalan wajah, deteksi objek, dan analisis citra medis.
2. RNN (Recurrent Neural Network): cocok untuk data yang berurutan, seperti teks, suara, atau deret waktu. RNN memperhitungkan urutan, sehingga memahami bahwa kata sebelumnya memengaruhi makna kata berikutnya.
3. Transformer: arsitektur yang lebih baru dan kini menjadi mesin di balik model bahasa besar (Large Language Model) seperti ChatGPT. Transformer sangat baik memahami konteks dalam teks yang panjang.
4. GAN (Generative Adversarial Network): terdiri dari dua jaringan yang saling beradu, satu membuat data baru dan satu menilainya. GAN banyak dipakai untuk menghasilkan gambar atau wajah buatan yang tampak nyata.

Anda tidak perlu menghafal semuanya. Cukup pahami bahwa pemilihan arsitektur menyesuaikan jenis data dan tujuannya: gambar condong ke CNN, teks panjang ke transformer.

Kenapa Deep Learning Baru Populer Belakangan Ini?

Konsep jaringan saraf tiruan sebenarnya sudah ada sejak pertengahan abad ke-20. Lalu kenapa deep learning baru terasa di mana-mana dalam satu dekade terakhir? Jawabannya adalah tiga bahan penting yang baru bertemu pada waktu yang tepat.

1. Ledakan data: internet, media sosial, dan ponsel pintar menghasilkan foto, teks, dan suara dalam jumlah raksasa. Inilah bahan bakar yang sebelumnya tidak tersedia sebanyak itu.
2. Daya komputasi yang terjangkau: GPU yang awalnya dibuat untuk grafis ternyata sangat cocok untuk melatih neural network. Perangkat ini membuat pelatihan yang dulu memakan waktu berbulan-bulan menjadi jauh lebih cepat.
3. Kemajuan metode pelatihan: para peneliti menemukan cara melatih jaringan yang sangat dalam tanpa terhambat masalah teknis yang dulu menghalangi.

Titik baliknya terjadi sekitar tahun 2012. Saat itu, sebuah model deep learning unggul telak dalam lomba pengenalan gambar berskala besar dan mengalahkan metode lama dengan selisih yang mencolok. Sejak saat itu, minat terhadap deep learning melonjak. Lompatan besar berikutnya datang pada 2017 dengan munculnya arsitektur transformer, yang kemudian menjadi fondasi model bahasa modern. Puncaknya terasa oleh publik luas pada akhir 2022, saat chatbot berbasis transformer membuat teknologi ini bisa dicoba siapa saja lewat percakapan biasa.

Contoh Penerapan Deep Learning Sehari-hari

Banyak teknologi yang Anda pakai setiap hari sebenarnya digerakkan oleh deep learning. Beberapa contoh nyatanya:

1. Membuka kunci ponsel dengan wajah: kamera mengenali wajah Anda menggunakan jaringan yang dilatih dari banyak sudut pengambilan gambar.
2. Asisten suara: layanan seperti asisten di ponsel mengubah ucapan menjadi teks lalu memahami maksudnya dengan deep learning.
3. Mobil otonom: kendaraan tanpa pengemudi mengandalkan deteksi objek untuk mengenali pejalan kaki, rambu, dan kendaraan lain secara langsung.
4. Diagnosis medis: model deep learning membantu dokter membaca hasil rontgen, MRI, atau CT scan untuk menemukan kelainan lebih cepat.
5. Rekomendasi konten: daftar video, lagu, atau produk yang muncul untuk Anda disusun dari pola kebiasaan jutaan pengguna.
6. Deteksi penipuan: bank dan layanan pembayaran memakai deep learning untuk menandai transaksi yang mencurigakan secara langsung.
7. Penerjemahan dan chatbot: penerjemah otomatis dan chatbot modern memahami serta menyusun kalimat berkat arsitektur transformer.

Ilustrasi penerapan deep learning pada face unlock, asisten suara, dan mobil.

Kelebihan Deep Learning

Deretan contoh di atas tidak akan ada tanpa sejumlah keunggulan yang membuat deep learning bertahan sebagai pendekatan utama AI modern:

1. Akurasi tinggi pada data rumit: untuk pekerjaan seperti pengenalan gambar dan suara, deep learning sering mencapai ketepatan yang sulit ditandingi metode lain.
2. Mampu mengolah data tidak terstruktur: foto, audio, dan teks bebas bisa diproses langsung tanpa harus dirapikan dulu ke dalam tabel.
3. Mengurangi kerja manual: karena fiturnya ditemukan sendiri oleh mesin, kebutuhan akan perancangan ciri secara manual menjadi jauh berkurang.
4. Makin pintar seiring data bertambah: secara umum, semakin banyak data berkualitas yang diberikan, semakin baik kinerja modelnya.

Kekurangan dan Hal yang Perlu Anda Pertimbangkan

Sekuat apa pun, deep learning bukan jawaban untuk semua masalah. Ada beberapa hal yang perlu dipahami sebelum menganggapnya solusi serba bisa.

1. Butuh data sangat banyak: model deep learning umumnya memerlukan ribuan hingga jutaan contoh berkualitas. Tanpa data yang cukup, hasilnya justru lebih buruk daripada metode sederhana.
2. Mahal secara komputasi dan energi: melatih model besar menuntut perangkat keras kuat dan waktu yang lama. Untuk kebutuhan pelatihan yang serius, banyak tim menyewa server dengan sumber daya besar seperti dedicated server daripada memakai komputer biasa.
3. Sulit dijelaskan (black box): jaringan dengan jutaan bobot sering memberi jawaban benar tanpa bisa menunjukkan alasannya dengan jelas. Ini menjadi masalah di bidang yang menuntut pertanggungjawaban seperti kesehatan dan hukum.
4. Rentan terhadap bias data: model belajar dari data yang diberikan. Jika datanya berat sebelah, hasilnya pun ikut berat sebelah, dan kesalahan semacam ini sulit terdeteksi.
5. Bisa salah dengan percaya diri: model dapat memberikan jawaban yang terdengar meyakinkan padahal keliru, seperti yang kadang terjadi pada chatbot. Mesin ini mengenali pola, bukan benar-benar memahami isinya.

Mengetahui kelemahan ini penting supaya Anda memakai deep learning di tempat yang tepat, bukan memaksakannya pada setiap masalah.

Kesimpulan

Deep learning adalah cabang machine learning yang memakai jaringan saraf tiruan berlapis-lapis untuk mempelajari pola dari data dalam jumlah besar. Keistimewaannya terletak pada kemampuan menemukan fiturnya sendiri dari data mentah, sehingga unggul untuk pekerjaan rumit seperti mengenali gambar, suara, dan bahasa. Teknologi inilah yang menggerakkan banyak kemajuan AI yang kita pakai sehari-hari, dari face unlock hingga chatbot modern.

Di sisi lain, kekuatan itu datang dengan harga: kebutuhan data yang masif, biaya komputasi yang tinggi, dan sifatnya yang sulit dijelaskan. Memahami kedua sisi ini membuat Anda bisa menilai kapan deep learning benar-benar layak dipakai dan kapan metode yang lebih sederhana sudah memadai. Semoga artikel ini membantu.