Salah satu metode machine learning yang saat ini berkembang pesat adalah Deep Learning (DL). Metode ini merupakan kelanjutan dari Neural Networks dengan tambahan preprocessing di layer awal yang berfungsi mengekstrak ciri suatu citra, yaitu konvolusi dan pooling.
Jumlah layer yang banyak beserta neuron-neuronnya membuat DL sulit melakukan proses pelatihan (training) jika menggunakan metode biasa. Dengan hanya mengandalkan hardware biasa, waktu itu laptop sempat ‘hang’ ketika melatih sistem pengenalan tanda tangan dengan ukuran vektor citra yang besar (ribuan bahkan puluhan ribu baris/kolom per objek). Namun saat ini python menyediakan teknik agar proses pelatihan dilakukan di Graphic Processing Unit (GPU) dan Tensor Processing Unit (TPU) bukan hanya mengandalkan CPU. Postingan ini terinspirasi dari hasil webinar tadi pagi dimana saya ditunjuk menjadi moderator.
Akurasi model-model DL saat ini sudah luar biasa tinggi dan hampir mendekati 100%. Terlepas dari riset yang membuat model-model tersebut, beberapa permasalahan masih membutuhkan solusi. Salah satu problem adalah ketika akan menerapkan DL pada piranti-piranti kecil/embedded yang kebanyakan memiliki spesifikasi yang berbeda dengan komputer yang memang dikhususkan untuk komputasi.
DL sudah merambah bidang-bidang lain di luar ilmu komputer misalnya kesehatan, pertanian, geografi, dan lain-lain. Problem utama DL adalah karakternya yang karena menyerupai syaraf makhluk hidup terkadang sulit menemukan logika atau rule yang mendasari pengambilan keputusan model DL, dan menyebutnya dengan istilah black box. Walau bukti akurasi sudah nyata, terkadang seorang dokter membutuhkan alasan yang mendasari keputusan dari suatu model DL. Berbeda jika menggunakan metode fuzzy atau decision tree serta turunannya yang memiliki rule mengapa suatu model DL menyimpulkan suatu hasil.
Pembicara webinar merupakan alumni kampus Jepang. Saya sendiri pernah satu semester diajar oleh dosen alumni Tokyo University dan memang isi kuliah sangat teknis sekali dimana membutuhkan kemampuan matematik, baik aljabar linear untuk pengolahan matriks maupun persamaan diferensial untuk memahami prinsip pelatihan/training, misalnya gradient descent (GD), lavenberg marquadt (LM). Ada juga saran-saran untuk mahasiswa doktoral, khususnya bidang ilmu komputer, antara lain di enam bulan pertama harus segera terjun ke bidang yang digeluti sesuai dengan lab-lab yang ada di kampus, mencari informasi dari periset-periset lain misalnya via Github. Lebih jelasnya silahkan lihat pada Youtube berikut. Sekian semoga bermanfaat.
Rahmadya Trias Handayanto 