Tri Deviasari Wulan – Dosen Prodi S1 Sistem Informasi, Fakultas Teknik
OTAK manusia terdiri dari 100 milliar neuron. Setiap neuron terhubung ke sekitar 100.000 neuron lain. Neuron pada otak memiliki tubuh, dendrit, dan akson. Sinyal dari satu neuron berjalan ke akson dan ditransfer ke dendrit neuron berikutnya.
Hubungan di mana sinyal lewat disebut sinapsis. Jika neuron berdiri sendiri tidak berguna. Tetapi jika terdapat neuron dalam jumlah yang banyak, mereka dapat bekerja sama untuk menciptakan keajaiban dan merupakan ide algoritma deep learning.
Ide tersebut yaitu mendapatkan input dari observasi dan memasukkan ke dalam satu lapisan. Lapisan tersebut menghasilkan keluaran yang selanjutnya menjadi masukan untuk lapisan berikutnya, dan seterusnya. Ini terjadi berulang kali sampai sinyal keluaran akhir.
Dengan kata lain, Neuron (node) mendapat sinyal masukan, dan diproses melewati neuron, sehingga neuron itu mengirimkan sinyal keluaran. Misalkan lapisan masukan sebagai indra, hal-hal yang dapat dilihat, dicium, dan dirasakan. Hal Ini adalah variabel independen untuk satu observasi tunggal. Informasi ini dipecah menjadi angka dan bit data biner yang dapat digunakan komputer.
Node masukan menerima informasi dalam bentuk numerik. Informasi tersebut disajikan sebagai nilai aktivasi dimana setiap node diberi nomor. Semakin tinggi angkanya, semakin besar aktivasi. Berdasarkan kekuatan koneksi (bobot) dan fungsi transfer, nilai aktivasi diteruskan ke node berikutnya.
Setiap node menjumlahkan nilai aktivasi yang diterimanya (menghitung jumlah tertimbang) dan mengubah jumlah tersebut berdasarkan fungsi transfernya. Selanjutnya, ini menerapkan fungsi aktivasi. Fungsi aktivasi adalah fungsi yang diterapkan pada neuron khusus ini. Sehingga , neuron akan memahami apakah perlu meneruskan sinyal atau tidak.
Sistem deep learning membutuhkan data dalam jumlah besar untuk memberikan hasil yang akurat. Hal ini menyebabkan informasi dimasukkan ke dalam sebuah sistem sebagai kumpulan data yang sangat besar.
Saat memproses data, sistem ini dapat mengklasifikasikan data dengan jawaban yang diterima dari serangkaian pertanyaan benar atau salah dalam data biner yang melibatkan perhitungan matematika yang sangat kompleks. Misalnya, program pengenalan wajah bekerja dengan belajar mendeteksi dan mengenali tepi dan garis wajah.
Kemudian diteruskan ke bagian wajah yang lebih penting, dan terakhir, representasi wajah secara keseluruhan. Seiring waktu, program akan melatih dirinya sendiri, dan kemungkinan jawaban yang benar atau keakuratan dalam pengenalan wajah akan meningkat. Dalam hal ini, program pengenalan wajah akan mengidentifikasi wajah secara akurat dengan jangka waktu tertentu.
Contoh lain adalah sistem yang bertujuan mengenali foto yang berisi seekor anjing. Semua anjing tidak terlihat sama persis, seperti rottweiler dan Poodle. Selain itu, foto menunjukkan anjing pada sudut yang berbeda dan dengan jumlah cahaya dan bayangan yang berbeda.
Jadi, serangkaian gambar pelatihan harus dikompilasi, termasuk banyak contoh wajah anjing yang akan dilabeli sebagai “anjing” dan gambar objek yang bukan anjing, diberi label “bukan anjing”. Gambar tersebut akan dimasukkan ke dalam sistem deep learning dengan diubah menjadi data biner.
Data ini bergerak melalui jaringan, dan berbagai node menetapkan bobot ke elemen yang berbeda. Lapisan keluaran akhir mengumpulkan informasi, seperti gambar dengan bentuk berbulu, memiliki moncong, memiliki empat kaki, dan lain-lain sampai akhirnya sistem akan dapat mengenali polanya dan memberikan keluaran sebagai objek anjing. *
