Deep Learning: Makin Dalam, Makin Pintar?
Deep learning = neural network dengan banyak lapisan. Lapisan dalam belajar konsep abstrak secara otomatis — dari garis sampai 'wajah orang tersenyum'.
"Deep" di deep learning cuma berarti banyak lapisan. Kalau neural network biasa punya 1–2 lapisan tersembunyi, yang deep punya puluhan sampai ratusan. Kenapa itu penting? Karena tiap tambahan lapisan bikin konsep yang bisa dipelajari jadi makin abstrak.
Hierarki yang tumbuh sendiri
Ambil contoh jaringan yang dilatih mengenali foto:
- Lapisan awal belajar mengenali hal paling dasar: garis, tepi, gradasi warna.
- Lapisan tengah menggabungkan garis jadi bentuk: mata, roda, sudut jendela.
- Lapisan dalam menggabungkan bentuk jadi konsep: "wajah manusia", "sepeda", "gedung".
Yang hebat: kita tidak pernah mengajari hierarki ini. Ia muncul sendiri dari proses menyetel bobot terhadap data. Ini bedanya dengan era expert system dulu, di mana manusia mendefinisikan semua konsep manual.
Tiga keluarga besar
CNN (Convolutional Neural Network) — spesialis gambar. Ia menyapu filter kecil ke seluruh gambar untuk menangkap pola lokal, lalu menumpuknya jadi pemahaman keseluruhan. Raja penglihatan komputer sejak 2012.
RNN/LSTM — spesialis urutan (teks, suara, deret waktu). Memproses data satu langkah demi satu langkah sambil menyimpan "ingatan". Kini sebagian besar digantikan Transformer.
Transformer — spesialis urutan generasi baru, tidak memproses berurutan melainkan melihat semua token sekaligus lewat mekanisme attention. Inilah mesin di balik ChatGPT, Gemini, dan Claude. (Bedahnya di materi Transformer.)
Kenapa butuh data dan GPU besar
Tiap lapisan menambah jutaan sampai miliaran bobot. Melatihnya berarti menjalankan siklus tebak-hitung-koreksi jutaan kali terhadap data besar. Di CPU itu bisa berbulan-bulan; di ribuan GPU paralel jadi hitungan minggu — dengan biaya yang juga tidak kecil. Itulah kenapa model raksasa cuma bisa dilatih perusahaan besar, lalu kita semua memakai hasilnya lewat API.
Kapan deep learning berlebihan
Jujur saja: untuk banyak masalah bisnis biasa (prediksi harga, klasifikasi teks sederhana, deteksi anomali), model klasik seperti gradient boosting sering kali lebih murah, lebih cepat, dan lebih gampang dijelaskan. Deep learning unggul saat datanya tak terstruktur — gambar, suara, bahasa.
Dengan paham "lapisan = abstraksi bertingkat", kamu siap mengupas arsitektur yang mengubah segalanya: Transformer.