Mengenal Deep Learning Untuk Yang Tak Mau Pusing

Bahasan machine learning di era revolusi industri 4.0 sudah bagaikan gosip selebritis yang tak ada habisnya. Belum sempat kita mendapat info si seleb A pacaran dengan seleb B, tahu-tahu kita baca berita di timeline jejaring sosial seleb A sudah menikah dengan seleb C. Belum sempat kita paham sepenuhnya tentang machine learning, tahu-tahu kita melihat istilah deep learning.

Well, karena Anda mengklik judul yang ada kata-kata ‘untuk yang tak mau pusing’, penulis akan berusaha untuk sebisa mungkin menjelaskan deep learning dengan bahasa yang gampang dengan metafora menggunakan kasus-kasus di sekitar kita. Jika Anda belum tahu tentang apa itu machine learning, Anda dapat membaca artikel mengenal machine learning yang kami tulis sebelumnya. Jika Anda pusing secara harfiah dan datang ke sini berharap deep learning dapat membuat pusing Anda hilang, segera cari tanda silang (x) di bagian atas dan tutup halaman ini segera.

Apa itu deep learning?

Sebelum kami menjelaskan deep learning dengan bahasa yang gampang, pertama-tama kami akan menjelaskan deep learning dengan bahasa resmi wikipedia supaya dianggap artikel yang berbobot.

Deep learning merupakan salah satu bagian dari berbagai macam metode machine learning yang menggunakan artificial neural networks (ANN). Jenis pembelajaran dalam deep learning dapat berupa supervised, semi-supervised, dan unsupervised. Dalam artikel ini yang akan kita bahas adalah metode supervised.

Sudah bingung? Jangan khawatir, setelah ini kami akan jelaskan dengan bahasa yang lebih manusiawi. Kami asumsikan, Anda telah membaca tentang machine learning di atas. Deep learning adalah metode pembelajaran yang dilakukan oleh mesin dengan cara meniru bagaimana sistem dasar otak manusia bekerja. Sistem dasar otak manusia bekerja ini disebut neural networks. Itulah kenapa deep learning disebut menggunakan artificial neural networks yang dengan kata lain menggunakan ‘neural networks buatan’. 

Lalu bagaimana ANN bekerja? Tenang, hal tersebut akan kami jelaskan nanti karena sesuai dengan janji manis kami, kami akan menggunakan metafora sehari-hari dalam memberikan gambaran tentang deep learning. Deep learning merupakan teknologi yang dipakai pada image recognition dan computer vision. Oleh karena itu, kami akan memberikan contoh seputar pengenalan objek pada gambar.

Pada machine learning tradisional jika kita menyodorkan gambar seekor kucing lalu kita bertanya pada mesin tersebut apakah ini kucing atau bukan, proses ‘berpikir’ mesin tersebut didasari oleh algoritma yang kita buat. Contohnya, apakah objek memiliki dua mata? Apakah objek memiliki empat kaki? Apakah objek memiliki kumis panjang? Apakah objek memiliki bulu tebal? Jika sebagian besar atau semua jawabannya adalah ‘iya’ maka si mesin akan memutuskan bahwa itu adalah gambar kucing. Lalu bagaimana jika mesin tersebut disodori gambar seperti di bawah ini?

Jika kita menentukan algoritma pembelajaran seperti di atas pasti jawaban dari si mesin adalah ‘bukan’. Padahal kita sebagai manusia tahu kalau gambar tersebut merupakan gambar kucing. Misal kita disuruh mendeskripsikan bagaimana kita tahu kalau itu kucing dari ciri-ciri spesifik objek tersebut untuk kemudian dibuat algoritmanya tentu saja belum tentu berhasil. Tidak semua hewan berbulu, memiliki ekor, dan telinga menjuntai ke atas itu kucing. Lalu bagaimana kita mengenali itu kucing? Itulah di mana neural networks mengambil peran.

Artificial Neural Networks (ANN)

Artificial Neural Networks yang biasa disingkat dengan ANN adalah bagian yang paling ajaib ajaib dari deep learning. ANN ini mensimulasikan kerja otak kita yang tersusun jaringan saraf yang disebut neuron. Sama seperti sistem otak manusia, dalam jaringan artificial neural network ini si mesin menerima informasi pada titik-titik yang disebut nodes yang terkumpul pada satu layer untuk kemudian diteruskan dan diproses ke layer selanjutnya yang disebut hidden layers.

Contoh: kita mempunyai gambar berupa tulisan tangan angka 9 berukuran 28×28 pixel. Setiap piksel dari gambar ini kemudian dipecah menjadi nodes dalam layer input. Sehingga kita memiliki 784 nodes. Lalu untuk mengetahui angka apa itu, kita harus menset nodes output sebanyak 10 (0-9). Dalam hidden layers informasi tersebut difilter hingga akhirnya diteruskan dan informasi masuk di nodes output 9. Dalam kasus supervised learning, kita tak perlu mengatur algoritma yang ada di hidden layers. Yang perlu kita lakukan memasukkan angka yang ditulis tangan sebanyak mungkin dan menentukan outputnya sehingga terbentuk suatu pola dalam hidden layers. Jika pola dalam hidden layers sudah terbentuk, kita tinggal mengetes sejauh mana si mesin dapat mengenali gambar.

Convolutional Neural Networks (CNN)

Dalam kasus image recognition untuk gambar objek kucing di atas, metode yang digunakan sudah lebih canggih lagi dari ANN yang disebut Convolutional Neural Networks (CNN). Secara komputasi, metode CNN ini lebih irit daya, bayangkan jika gambar kucing tersebut berukuran 1920×1080 pixel. Ini berarti ada 2.073.600‬ nodes yang harus dibuat pada layer input. Belum lagi jika gambar tersebut berwarna di mana setiap pixel terdiri dari 3 warna RGB. Berarti jumlah nodes yang sudah banyak tadi harus dikalikan 3. Bisa dibayangkan berapa jumlah nodes pada layer pertama. Kami sendiri pun malas menghitungnya.

Berbeda dari ANN tradisional yang setiap node-nya terpisah, node dari convolutional neural networks sendiri terhubung satu sama lain. Lihat animasi di bawah agar terhindar dari kebingungan akut!

CNN memindai bagian per bagian area kecil di dalam gambar tersebut untuk dijadikan node. Setiap angka dalam nodes merupakan hasil penghitungan matriks dari filter/kernel. Dalam CNN, terdapat bagian yang sama antara node satu dengan node yang ada di sebelahnya. Itulah mengapa tadi dikatakan bahwa node dalam CNN selalu terhubung. Hal ini tentu saja dilakukan untuk menghemat daya komputasi terutama deteksi objek secara live.

Penerapan Teknologi Deep Learning

Di tahun 2019 ini, penerapan teknologi deep learning sendiri sudah cukup banyak kita jumpai seperti Google Photos, face unlock di smartphone, sistem tilang otomatis, dan sebagainya. Deep learning sendiri juga merupakan komponen utama yang menjadikan artificial intelligence menjadi semakin mirip dengan manusia. Bisa saja adegan-adegan di film fiksi ilmiah mungkin saja akan segera menjadi kenyataan. Atau jangan-jangan cerita dalam film tersebut memang sudah dibuat oleh AI sehingga lebih cocok untuk disebut sebagai prediksi daripada khayalan? Hmmm…

***

Jika Anda masih penasaran dengan teknologi machine learning Anda dapat mengikuti pelatihan machine learning selama 5 hari di Inixindo Jogja.