Mengenal Machine Learning Algoritma Deep Learning dalam Data Science

Perkembangan teknologi Artificial Intelligence atau kecerdasan buatan sudah mengalami kemajuan yang sangat pesat. Kemajuan teknologi ini didorong melalui penerapannya dalam kehidupan sehari-hari termasuk dalam bisnis. Konsep perkembangan Artificial Intelligence sendiri ada dua yaitu machine learning dan algoritma deep learning. Melansir dari MIT Technology Review, algoritma deep learning artian harfiahnya pembelajaran mendalam, namun juga dikenal sebagai pembelajaran terstruktur dalam atau pembelajaran hierarkis.

Istilah tersebut memiliki arti bagian dari keluarga yang lebih luas dari metode machine learning berdasarkan pada representasi data pembelajaran, yang bertentangan dengan algoritma tugas-spesifik. Singkatnya, deep learning merupakan sebuah model yang dapat mempelajari metode komputasinya sendiri dengan 'otaknya' sendiri. Algoritma yang satu ini mungkin belum terlalu familiar di kalangan data lovers semuanya. Serupa halnya dengan algoritma lainnya, ternyata algoritma deep learning masih termasuk bagian dari machine learning. Algoritma deep learning kini menjadi acuan penelitian paling populer saat ini. Deep learning menggunakan Artificial Neural Network (ANN) yang merupakan mesin proses informasi yang dimodelkan pada struktur dan tindakan jaringan saraf biologis pada otak.

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 dengan kata lain menggunakan neural networks buatan. Deep learning merupakan teknologi yang dipakai pada image recognition dan computer vision. 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, kira-kira apa itu algoritma deep learning secara umum. Pada artikel DQLab kali ini, kita akan membahas mengenai pengenalan algoritma deep learning sehingga bisa menjadi tambahan insight. Artikel ini khusus dibuat teruntuk kalian para data lovers di bidang data agar dapat memahami beberapa jenis algoritma khususnya algoritma deep learning. Jadi, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!

1. Mengenal Lebih Dekat Algoritma Deep Learning

Istilah ini pertama kali diperkenalkan ke komunitas pembelajaran mesin oleh Rina Dechter pada tahun 1986. Perkembangan terus terjadi. Pada tahun 2009, Nvidia, perusahaan teknologi asal Amerika terlibat dalam "big bang" dari deep learning, Nvidia graphics processing units (GPUs) terus melatih deep learning dengan neural training. Masih di tahun yang sama, Google Brain juga menggunakan Nvidia GPU untuk membuat deep neural network (DNN). Deep learning bisa menjadi kepingan puzzle utama yang dapat membawa manusia pada penciptaan AI yang lebih cerdas dan manusiawi. Ia dapat meningkatkan semua bagian AI, mulai dari pemrosesan bahasa alami hingga machine vision. 

Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan

2. Jenis-Jenis Algoritma Deep Learning

Algoritma DNN (Deep Neural Networks)

Algoritma DNN (Deep Neural Networks) adalah salah satu algoritma berbasis jaringan saraf yang dapat digunakan untuk pengambilan keputusan. Contoh yang dibahas kali ini adalah mengenai penentuan penerimaan pengajuan kredit sepeda motor baru berdasarkan kelompok data yang sudah ada. Inti perhitungan pada algoritma berbasis jaringan adalah untuk mencari bobot terbaik dari contoh / sampel data yang sudah ada. Karena hasil pada contoh data sudah diketahui, maka nilai bobot akan dihitung berdasarkan nilai hasil yang sudah tersedia, sampai ditemukan nilai bobot terbaik yang paling banyak cocok apabila dihitungkan kembali pada data awal. Kemudian nilai bobot tersebut dapat digunakan untuk menghitung data lain yang tidak diketahui hasilnya. Pada kasus ini, metode yang digunakan untuk mencari bobot terbaik adalah menggunakan metode PSO (Particle Swarm Optimization).

Artificial Neural Networks (ANN)

Artificial Neural Networks yang biasa disingkat dengan ANN adalah bagian yang paling 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. 

Seperti 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. 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

Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python

3. Penerapan Algoritma 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. Selain itu, dalam bidang kesehatan deep learning dapat diaplikasikan pada foto rontgen untuk mengidentifikasi dan mengklasifikasikan penyakit paru-paru.