Perbedaan Deep Learning dan Machine Learning

HermanAnis.com – Dalam tulisan ini Anda akan memperoleh penjelasan tentang Perbedaan Deep Learning dan Machine Learning. Akan dijelaskan apa yang dimaksud dengan kecerdasan buatan (Artificial Intelligence, AI), pembelajaran mesin (Machine Learning, ML), atau pembelajaran mendalam (Deep Learning, DL). Bagaimana ketiga ilmu tersebut berhubungan satu sama lain? Gambar1 berikut memberikan penjelasan rinci tentang hubungan antara ketiganya.

Baca Juga: Experiential Learning (Pembelajaran Berbasis Pengalaman)

Artificial Intelligence

Artificial Intelligence atau kecerdasan buatan (AI) adalah bidang ilmu yang mempelajari bagaimana membuat mesin dapat melakukan banyak hal yang memerlukan kecerdasan manusia (Minsky, 1961). Untuk mengetahui definisi sebenarnya dari kecerdasan buatan, kita harus memahami dulu: “Kapan program atau mesin dikatakan cerdas?”

Alan Turing, seorang matematikawan dari Inggris, telah berusaha untuk menjawab pertanyaan tersebut. Dia adalah inventor pengujian turing “Turing Test”, yang dapat memutuskan mesin/program tersebut cerdas atau tidak (Rutkowski, 2008). Dalam proses uji ini, manusia A menggunakan layar dan keyboard komputer dan menanyakan pertanyaan yang sama kepada komputer B. Jika manusia A tidak bisa membedakan jawaban komputer B dari jawaban manusia A, maka komputer (program atau mesin) itu cerdas (Rutkowski, 2008).

Di lain pihak, Zadeh menawarkan perspektif berbeda tentang Artificial Intelligence (Siddique & Adeli, 2013). Dia membedakan teknik hard computing (HC), yang didasarkan pada kecerdasan buatan, dari teknik soft computing (SC), yang didasarkan pada Computational Intelligence (CI). Zadeh mendefinisikan SC sebagai penggabungan metode yang memungkinkan perancangan sistem cerdas.

Beberapa penelitian menggunakan teknologi yang berkaitan dengan kecerdasan komputasi, seperti Pattern Recognition Image, Image Processing, Machine Learning, Computer Vision, Soft Computing, Evolutionary CompuNeural, Network Knowledge, Natural Language Processing, Image Retrieval, Decision Support System, Bioinformatics, Robotic Graph, dan lain-lain.

AI pertama kali muncul pada 1950-an ketika beberapa perintis dalam bidang ilmu komputer baru mulai bertanya apakah komputer dapat dibuat untuk “berpikir”. Pertanyaan ini masih diselidiki hingga hari ini. Bidang ini berusaha untuk mengotomatisasi pekerjaan intelektual yang biasanya dilakukan oleh manusia. Akibatnya, kecerdasan buatan (Artificial Intelligence) adalah bidang yang luas yang mencakup pembelajaran mesin (machine learning) dan pembelajaran mendalam (deep learning), meskipun juga mencakup banyak pendekatan lain yang tidak mencakup pembelajaran apa pun. Pada awalnya, sebuah program permainan catur hanya menggunakan aturan “hard-coded” yang dibuat oleh programmer dan tidak dapat dianggap sebagai machine learning.

Untuk waktu yang cukup lama, banyak ahli percaya bahwa AI tingkat manusia dapat dicapai dengan membuat seperangkat aturan eksplisit yang cukup besar untuk memanipulasi pengetahuan oleh programer. Metode ini, yang disebut sebagai AI simbolis. Inilah yang menjadi paradigma dominan dalam bidang kecerdasan buatan dari tahun 1950 hingga akhir 1980-an. Itu sangat populer selama booming sistem pakar pada tahun 1980-an. Meskipun teknik kecerdasan buatan simbolis terbukti berguna untuk menyelesaikan masalah logis yang terdefinisi dengan baik, seperti bermain catur, ternyata sulit untuk menemukan aturan yang jelas untuk memecahkan masalah yang lebih kompleks dan tidak jelas, seperti klasifikasi gambar, pengenalan suara, dan penterjemahan bahasa. Metode baru, machine learning, mengambil pendekatan AI simbolis.

Machine Learning

Machine learning muncul dari pertanyaan, “Dapatkah komputer melampaui apa yang kita ketahui?” Bagaimana kita bisa memaksanya untuk melakukan sesuatu? Bagaimana komputer dapat belajar untuk melakukan tugas tertentu secara mandiri? Apakah komputer dapat mempelajari aturan pemrosesan data secara otomatis hanya dengan melihat data jika manusia membuat aturan ini secara manual?

Pertanyaan-pertanyaan ini membuka pintu ke paradigma pemrograman baru. Dalam paradigma pemrograman klasik, ini dikenal sebagai paradigma kecerdasan buatan simbolis, di mana aturan manusia digabungkan dengan aturan program komputer dan data yang akan diproses sesuai dengan aturan ini untuk menghasilkan jawaban. Machine learning mengeluarkan aturan setelah manusia memasukkan data dan jawaban. Untuk mendapatkan jawaban yang tepat, langkah-langkah ini kemudian dapat diterapkan pada data baru.

Pada dasarnya, sistem machine learning “dilatih”, bukan diprogram secara eksplisit. Hal itu disajikan dengan banyak contoh yang relevan dengan tugas-tugas. Proses itu untuk menemukan struktur statistik dalam sampel yang pada akhirnya memungkinkan sistem untuk membuat aturan untuk mengotomatisasi tugas-tugas tersebut. Misalnya, jika ingin mengotomatisasi tugas untuk menandai suatu gambar, maka dapat menyajikan sistem machine learning dengan banyak contoh gambar yang telah ditandai oleh manusia, dan sistem akan mempelajari aturan statistik untuk mengaitkan gambar dengan label tertentu.

Meskipun pendekatan machine learning baru mulai berkembang pada 1990-an, namun pendekatan ini dengan cepat menjadi sub bidang AI yang paling populer dan sukses. Perangkat keras yang lebih cepat dan kumpulan data yang lebih besar mendorong tren. Meskipun machine learning dekat dengan statistik matematika, ada beberapa hal yang membedakannya dari statistik. Machine learning biasanya menangani dataset yang besar dan kompleks (seperti jutaan gambar dengan puluhan ribu pixel masing-masing), yang membedakan analisis statistik klasik dari analisis Bayesian yang tidak praktis. Akibatnya, machine learning, terutama pembelajaran mendalam (deep learning), berfokus pada rekayasa dan tidak memberikan banyak teori matematika. Gagasan disiplin ilmu ini langsung dibuktikan secara empiris lebih sering daripada secara teoritis.

Deep Learning

Untuk mendefinisikan pembelajaran dalam dan memahami perbedaan antara pembelajaran dalam (deep learning) dan pendekatan machine learning lainnya, pertama-tama kita perlu beberapa gagasan tentang apa yang dilakukan algoritma machine learning. Pernyataan sebelumnya menyatakan bahwa machine learning menemukan aturan untuk menjalankan tugas dalam pemrosesan data, memberikan contoh apa yang diharapkan. Jadi, untuk melakukan machine learning, kita membutuhkan tiga hal:

1. Masukkan data — Misalnya, jika tugasnya adalah pengenalan suara, masukkan data ini bisa berupa file suara orang yang berbicara. Jika tugasnya adalah penandaan suatu gambar, maka
   masukkan data bisa berupa gambar.
2. Contoh keluaran yang diharapkan — Dalam tugas pengenalan suara, ini bisa berupa transkrip file suara buatan manusia. Dalam kasus gambar, output yang diharapkan bisa berupa “anjing,”
   “kucing,” dan sebagainya.
3. Cara untuk mengukur apakah algoritma melakukan pekerjaan dengan baik — Ini diperlukan untuk menentukan jarak antara keluaran algoritma saat ini dan keluaran yang diharapkan.
   Pengukuran digunakan sebagai sinyal umpan balik untuk menyesuaikan cara kerja algoritma. Langkah penyesuaian ini adalah apa yang kita sebut belajar.

Berdasarkan tiga hal di atas, maka sebuah model machine learning mengubah data inputnya menjadi keluaran yang bermakna, proses yang “dipelajari” dari paparan ke contoh masukkan dan keluaran yang diketahui. Oleh karena itu, masalah utama dalam machine learning dan pembelajaran mendalam adalah mengubah data secara bermakna; dengan kata lain, untuk mempelajari representasi berguna dari masukkan data yang ada — representasi yang membuat kita lebih dekat dengan keluaran yang diharapkan.
Deep learning adalah subbidang khusus dari machine learning; pandangan baru tentang representasi pembelajaran dari data yang menekankan pada pembelajaran banyak lapisan dari representasi yang semakin bermakna. Deep learning merupakan representasi banyak layer yang berkontribusi pada model data yang disebut sebagai kedalaman model. Nama lain yang sesuai untuk bidang ini bisa saja merupakan representasi pembelajaran berlapis dan pembelajaran representasi hirarkis. Pembelajaran mendalam modern sering melibatkan puluhan atau bahkan ratusan lapisan representasi — dan mereka semua belajar secara otomatis dari paparan data pelatihan. Sementara itu, pendekatan lain untuk machine learning cenderung fokus pada pembelajaran hanya satu atau dua lapisan representasi data; karenanya, mereka kadang-kadang disebut pembelajaran dangkal (shallow).

Sumber Rujukan:

1. SitiNurmaini, dkk. 2021. Pengenalan Deep Learning dan Implementasinya. PT.Penerbit dan Percetakan Universitas Sriwijaya.
2. Minsky, M. (1961). Steps toward artificial intelligence. Proceedings of the IRE, 49(1), 8–30.
3. Rutkowski, L. (2008). Computational intelligence: methods and techniques. Springer Science & Business Media.
4. Siddique, N., & Adeli, H. (2013). Computational intelligence: synergies of fuzzy logic, neural networks and evolutionary computing. John Wiley & Sons.