PENG. TEKNOLOGI SISTEM CERDAS #

Deep Learning

Deep Learning adalah salah satu jenis algoritma jaringan saraf tiruan yang menggunakan metadata sebagai input dan mengolahnya menggunakan sejumlah lapisan tersembunyi (hidden layer) transformasi non linier dari data masukan untuk menghitung nilai output. Algortima pada Deep Learning memiliki fitur yang unik yaitu sebuah fitur yang mampu mengekstraksi secara otomatis. Hal ini berarti algoritma yang dimilikinya secara otomatis dapat menangkap fitur yang relevan sebagai keperluan dalam pemecahan suatu masalah. Algortima semacam ini sangat penting dalam sebuah kecerdasan buatan karena mampu mengurangi beban pemrograman dalam memilih fitur yang eksplisit. Dan, algortima ini dapat digunakan untuk memecahkan permasalahan yang perlu pengawasan (supervised), tanpa pengawasan (unsupervised), dan semi terawasi (semi supervised).

 

Dalam jaringan saraf tiruan tipe Deep Learning setiap lapisan tersembunyi bertanggung jawab untuk melatih serangkaian fitur unik berdasarkan output dari jaringan sebelumnya. Algortima ini akan menjadi semakin komplek dan bersifat abstrak ketika jumlah lapisan tersembunyi (hidden layer) semakin bertambah banyak. Jaringan saraf yang dimiliki oleh Deep Learning terbentuk dari hirarki sederhana dengan beberapa lapisan hingga tingkat tinggi atau banyak lapisan (multi layer). Berdasarkan hal itulah Deep Learning dapat digunakan untuk memecahkan masalah kompleks yang lebih rumit dan terdiri dari sejumlah besar lapisan transformasi non linier.

 

 Jenis Deep Learning

• Deep Learning untuk Pembelajaran Tanpa Pengawasan (Unsupervised Learning): Deep Learning tipe ini digunakan pada saat label dari variabel target tidak tersedia dan korelasi nilai yang lebih tinggi harus dihitung dari unit yang diamati untuk menganalisis polanya.
• Hybrid Deep Networks (Deep Learning gabungan): Pendekatan tipe ini bertujuan agar dapat dicapai hasil yang baik dengan menggunakan pembelajaran yang diawasi untuk melakukan analisis pola atau dapat juga dengan menggunakan pembelajaran tanpa pengawasan.

Perbedaan yang dimiliki oleh Jaringan Saraf Tiruan biasa dengan Deep Learning

Jaringan Saraf Tiruan adalah jaringan saraf yang biasanya menggunakan jaringan seperti umpan maju (feed forward) atau recurrent network yang hanya memiliki 1 atau 2 lapisan tersembunyi. Tetapi, jika lapisan jaringan sarafnya lebih dari 2 layer ke atas atau bahkan mencapai ratusan lapisan itulah yang disebut sebagai Deep Learning. Pada Jaringan Syaraf Tiruan arsitektur jaringan yang dimilikinya kurang kompleks dan membutuhkan lebih banyak informasi tentang data input sehingga dapat menentukan algortima mana yang dapat digunakan. Dalam Jaringan Saraf Tiruan terdiri dari beberapa algoritma yaitu Model Hebb, Perceptron, Adaline, Propagasi Maju, dll. Sedangkan pada algortima jaringan saraf Deep Learning tidak memerlukan informasi apapun terhadap data yang akan dipelajarinya, dan algoritmanya dapat secara mandiri melakuan tuning (penyetelan) dan pemilihan model yang paling optimal.

Sumber dari :  (https://warstek.com/2018/02/06/deepmachinelearning/)

Machine Learning

Machine learning adalah cabang aplikasi dari Artificial Intelligence (Kecerdasan Buatan) yang focus pada pengembangan sebuah sistem yang mampu belajar "sendiri" tanpa harus berulang kali di program oleh manusia.

Aplikasi Machine learning membutuhkan Data sebagai bahan belajar (training) sebelum mengeluarkan output. Aplikasi sejenis ini juga biasanya berada dalam domain spesifik alias tidak bisa diterapkan secara general untuk semua permasalahan.

 

Sebagai contoh: Aplikasi Pengenalan Gambar, Aplikasi Asisten pribadi seperti Siri, Google dll, Chat Bot, Pengenal Wajah, Mobil otonom dan domain-domain spesifik lainnya. 

Peran Data Dalam Machine Learning 
Machine Learning bukan apa-apa tanpa data. Artinya semua aplikasi Machine Learning membutuhkan Data sebagai bahan training dan untuk di analisa sehingga mampu mengeluarkan Output.
Sebelum aplikasi machine learning bisa bekerja, maka ia membutuhkan Data untuk "latihan" (training), hasil training itu nanti akan di Uji atau di test dengan data yang sama atau bertolak belakang.
Misal Kita buat machine learning untuk mengenali Nasi Padang (Nasi Pada recognition system), maka untuk training kita sediakan koleksi ratusan, ribuan bahkan jutaan gambar nasi padang. setelah setelai, baru kita test hasil latihan itu dengan menginputkan nasi padang (sejenis) dan kita juga test dengan memasukan foto object lain seperti Mobil, Gunung, komputer dll.
Output machine learning umumnya berupa Prekdiksi beserta label tingkat kepercayaanya. Misal jika input gambar Nasi padang pada sistem maka sistem kita akan memberikan Output seperti ini:

1. Nasi Padang      0.99
2. Nasi pecel         0.78
3. Karedok            0.58
4. Nasi Kucing       0.40
5. Nasi kamvret     0.10
Output No 1 adalah output yang kita harapkan dan juga tingkat kepercayaannya mencapat 0.99 (paling tinggi). Skala yang digunakan dalam machine learning adalah 0 - 1 (0 sampai 1)
Data dalam machine Learning bisa berupa apa aja. Bisa berupa table seperti data di Ms Excel, Bisa berupa gambar seperti yang pada Tuingle atau pada Google Image atau apa saja yang memang disiapkan khusus untuk Input machine learning.
Secara (matematika) sederhana, rumus umum Machine leaning itu sebenarnya begini

Y = f(X) 

Dimana: 

Y = Output , 

X = Input, 

f = fungsi (function)

Dimana secara singkat bisa katakan bahwa Machine Learning itu memenuhi kaidah : 

Output = f(Input)

Atau dengan kata lain, Output (Y) dari machine learning adalah hasil dari pengolahan fungsi (f) terhadap Input (X)
Contoh pada aplikasi Tuingle, Jika saya kasih input berupa gambar/foto Nasi Padang, maka fungsi-fungsi/Algorithm dari tuingle diharapkan akan memberitahu kalo foto itu adalah Nasi Padang.

Sumber Dari : (http://teknosains.com/others/pengertian-konsep-dasar-machine-learning)