Oleh: Mubasyier Fatah
Koordinator Bidang Ekonomi Kreatif Pengurus Pusat Ikatan Sarjana Nahdlatul Ulama (PP ISNU).
‘DEEP LEARNING’, cabang dari pembelajaran mesin (machine learning/ML) dan kecerdasan buatan (artificial intelligence/AI) yang dianggap sebagai teknologi inti Industri 4.0. Berkat kemampuan pembelajarannya dari data, teknologi deep learning yang berasal dari jaringan saraf buatan (artificial neural network/ANN) menjadi topik hangat dalam konteks komputasi dan diterapkan di berbagai aplikasi seperti kesehatan, pengenalan visual, analisis teks, keamanan siber, dan masih banyak lagi.
Namun, membangun model deep dearning yang tepat merupakan tugas menantang, dinamis, dan data riil yang diolahnya bervariasi. Selain itu, kurangnya pemahaman inti dari para pengguna sehingga cenderung memperlakukan teknologi deep learning menjadi seperti ‘black box’ yang menghambat pemanfaatannya.
Selain menjadi cabang dari ML dan AI, Dr Rajiv Chopra dalam bukunya Deep Learning -A Pratical Approach (2018:1) mengungkapkan deep learning terkait erat dengan big data. Big data mengacu pada jumlah data setiap detik, sementara deep learning merupakan penelitian aktif di bidang machine learning. Namun karena data tumbuh pada tingkat eksponensial, deep learning memberikan solusi analitis prediktif. Pertumbuhan big data sangat bergantung pada kemampuan internet.
Menurut laporan Badan Keamanan Nasional (NSA) Amerika Serikat, pada tahun 2017 internet sendiri memproses 1.826 petabit data per hari. Pada 2020, mencapai 35 triliun gigabita. Pada 2025, diproyeksikan menghasilkan sekitar 0,495 zettabyte (ZB) data per hari. Ini setara dengan 463 exabyte data, yang sama dengan 212.765.957 DVD per hari. Hal ini mengarah pada pergeseran paradigma dalam literatur ilmu komputer menuju penemuan berbasis data. Saat ini, teknik ML dan perangkat lunak, perangkat keras, serta daya komputasi yang lebih baru membantu big data serta analitik data.
Istilah deep learning sendiri memiliki pengertian berbeda karena di tempatkan pada konteks berbeda. Dalam dunia pendidikan khusus, deep learning dimaknai sebagai cara lengkap mempelajari sesuatu yang memungkinkan seseorang memahami secara baik dan tidak melupakannya. Ketika mendengar istilah deep learning, kalangan dunia pendidikan langsung merujuk ke ‘Kurikulum Deeplearning’, yaitu sebuah kurikulum berbasis teknologi informasi – teknologi adaptif, VR/AR, dan penilaian berbasis AI, – untuk meningkatkan pembelajaran yang mendalam dan relevan. (Mubasyier Fatah: E-Book, Integrasi Teknologi Informasi dalam Kurikulum Deep Learning untuk Generasi Berpikir dan Berdaya, 2024).
Namun, yang dimaksudkan di sini bukan deep learning dalam konteks itu, tetapi deep learning dalam konteks komputasi. Deep learning di sini didefinisikan sebagai teknik pembelajaran mesin menggunakan metode yang diawasi dan/atau tidak diawasi secara otomatis mempelajari hierarki dalam arsitektur yang mendalam untuk kasifikasi. Deep learning adalah bagian dari bidang kecerdasan buatan seperti pembelajaran mesin yang diprediksi berdasarkan ide dasar pembelajaran dari contoh.
Cara Kerja
Sebagai salah satu jenis teknologi pembelajaran mesin (ML) dan kecerdasan buatan (AI), deep learning melatih komputer belajar dari set data yang luas dengan mensimulasikan proses kognitif manusia. Model deep learning dapat diajarkan melakukan tugas klasifikasi dan mengenali pola dalam foto, teks, audio, dan jenis data lainnya. Deep learning juga digunakan untuk mengotomatiskan tugas yang biasanya membutuhkan kecerdasan manusia, seperti mendeskripsikan gambar atau menyalin file audio. Model deep learning dilatih menggunakan sekumpulan besar data berlabel dan arsitektur jaringan saraf. Jadi, aplikasi deep learning memungkinkan komputer untuk belajar melalui sebuah contoh yang sudah terpasang. Bayangkan seorang balita yang kata pertamanya adalah ‘mama’ dengan meniru orang tuanya mengatakan, “Ya, itu ‘mama,” atau “Tidak, itu bukan ‘mama.”
Meski dilatih menjalani fungsi seperti ‘otak manusia’, teknologi deep learning memiliki kelemahan, dan kalau tidak dimanfaatkan secara hat-hati dapat menimbulkan masalah atau tantangan serius. Pertama, sistem deep learning hanya mengetahui apa yang ada dalam data yang dilatihnya. Jika pengguna memiliki sedikit data atau hanya dari satu sumber tertentu yang belum mewakili area fungsional yang lebih luas, maka model deep learning tidak dapat belajar dengan cara digeneralisasi.
Kedua, deep learning sangat berpotensi untuk bisa. Jika model dilatih pada data yang mengandung bias, model tersebut mereproduksi bias tersebut dalam prediksinya.
Ketiga, deep learning memiliki tingkat pembelajaran tinggi. Jika tingkatnya terlalu tinggi, model akan konvergen terlalu cepat, menghasilkan solusi kurang optimal. Jika terlalu rendah, proses dapat macet dan bahkan lebih sulit untuk mencapai solusi.
Keempat, deep learning mengandaikan persyaratan perangkat keras. Unit pemrosesan grafis (GPU) multi-inti berkinerja tinggi dan unit pemrosesan lainnya diperlukan untuk memastikan peningkatan efisiensi dan penurunan konsumsi waktu. Namun, unit ini mahal dan menggunakan sejumlah besar energi. Persyaratan perangkat keras lainnya termasuk RAM dan hard disk drive atau solid-state drive berbasis RAM.
Kelima, deep learning memerlukan sejumlah besar data. Model yang lebih kuat dan akurat membutuhkan lebih banyak parameter, yang pada gilirannya, memerlukan lebih banyak data atau sejumlah besar data berkelanjutan. Keenam, deep learning tidak multitasking. Setelah dilatih, model deep learning ternyata menjadi tidak fleksibel dan tidak dapat menangani multitasking. Ketujuh, deep learning memiliki penalaran yang rendah. Untuk aplikasi apa pun yang memerlukan penalaran — seperti pemrograman atau penerapan metode ilmiah — perencanaan jangka panjang dan manipulasi data seperti algoritma sama sekali di luar kemampuan teknik deep learning saat ini, bahkan dengan data dalam jumlah besar.
Teknologi Masa Depan
Terlepas dari berbagai kelemahannya, deep learning menjadi aplikasi potensial untuk berbagai bidang kehidupan, baik pada masa kini, dan terutama masa depan. Di bidang sains, teknologi deep learning merupakan elemen penting dari ilmu data, termasuk statistik dan pemodelan prediktif. Deep learning kian diandalkan bermanfaat bagi ilmuwan data yang bertugas mengumpulkan, menganalisis, dan menginterpretasikan data dalam jumlah besar (big data). Para ahli IT bidang deep learning mengatakan apabila suatu organisasi bisnis dapat mengakomodasi kedua kebutuhan tersebut, maka deep learning dapat digunakan untuk berbagai tujuan seperti asisten digital dan mendeteksi penipuan.
Deep learning dapat meningkatkan keselamatan pekerja di berbagai lingkungan, termasuk pabrik dan gudang, dengan menyediakan layanan melalui otomatisasi industri yang secara otomatis mendeteksi saat pekerja atau objek terlalu dekat dengan mesin. Aplikasi deep learning dapat dimanfaatkan untuk analisis kebutuhan dan kondisi emosional pelanggan demi meningkatkan pangsa pasar dan nilai penjualan. Beberapa perusahaan menggunakan deep learning menafsirkan sinyal vokal dan mendeteksi wajah untuk keperluan disiplin kehadiran karyawan.
Di bidang komunikasi, deep learning dan jaringan saraf digunakan dalam berbagai alat untuk mendiktekan dokumentasi dan menerjemahkan ucapan ke dalam teks. Bahkan, platform media sosial dapat menggunakan deep learning untuk moderasi konten, menyisir gambar dan audio. Deep learning juga dapat dimanfaatkan di bidang perawatan kesehatan untuk menganalisis data terstruktur dan tidak terstruktur dari beragam catatan kesehatan elektronik seperti catatan klinis, hasil MRI dan sinar-X hasil lab, diagnosis, dan pengobatan presisi.
Di dunia pendidikan, deep learning menawarkan kepada para pendidik alat ampuh untuk menciptakan lingkungan belajar yang imersif dan interaktif yang memenuhi berbagai gaya dan preferensi belajar. Para pendidik yang memanfaatkan teknologi deep learning dapat memberikan instruksi pembelajaran yang dipersonalisasi, pengalaman belajar yang adaptif, dan menarik umpan balik siswa secara langsung. Adopsi teknologi deep learning di ruang kelas dapat mengembangkan keterampilan berpikir kritis dan dapat meningkatkan hasil akademis siswa.
Dalam konteks tata kota, adopsi deep learning dapat mendorong pengembangan kota pintar (smart city) dengan mengoptimalkan manajemen lalu lintas dan mengelola sumber daya energi secara lebih efekti. Di bidang transportasi, aplikasi deep learning dapat mendukung pola lalu lintas untuk meminimalkan kemacetan dan pengembangan kendaraan tanpa pengemudi. Begitulah tren penerapan deep learning 10 tahun terakhir. Deep learning akan semakin populer pada masa depan karena efektivitasnya dalam menangani data berskala besar. Oleh karena berbagai bidang kehidupan semakin mengandalkan big data, maka bangsa Indonesia tak boleh menunda untuk menguasai deep learning.***
Leave a Reply