Neural Networks: Belajar dari Otak, Tapi Bukan Otak

Terinspirasi neuron di otak — tapi jangan kebawa bayangan sains fiksi. Neural network pada praktiknya adalah fungsi matematika raksasa dengan banyak tombol yang bisa disetel.

Unit terkecil: neuron buatan

Satu neuron buatan kerjanya banget sederhana:

1. Terima beberapa angka masuk (input).
2. Kalikan tiap angka dengan bobotnya (weight).
3. Jumlahkan, tambahkan bias.
4. Lemwatkan lewat fungsi aktivasi — misal "kalau negatif jadikan 0" (ReLU).

Hasilnya satu angka, lalu diteruskan ke neuron berikutnya. Itu saja.

Kekuatan ada di lapisan

Susun neuron dalam lapisan (layer):

• Input layer — angka mentah masuk. Misal: 28×28 piksel gambar tulisan tangan = 784 angka.
• Hidden layer — lapisan perantara yang menggabungkan dan menafsirkan. Lapisan awal bisa mengenali garis dan tikungan; lapisan lanjut mengenali lingkaran, lalu pola angka.
• Output layer — jawaban: "90% ini angka 7".

Setiap sambungan punya bobot — dan seluruh bobot itulah "pengetahuan" si jaringan. Model GPT-scale punya ratusan miliar bobot.

Belajar = menyetel bobot

Awalnya bobot diacak — jaringan menebak asal. Lalu siklusnya:

1. Forward pass: data mengalir masuk, keluar tebakan.
2. Hitung kesalahan (loss): seberapa jauh tebakan dari kunci jawaban.
3. Backpropagation: hitung, untuk tiap bobot, arah mana dan seberapa jauh dia harus bergeser supaya kesalahan berkurang.
4. Update: geser semua bobot sedikit (learning rate menentukan seberapa besar langkahnya).

Ulangi jutaan kali. Tidak ada sihir — cuma kalkulus yang dikerjakan komputer dengan sabar luar biasa.

Kenapa baru jadi andalan sekarang

Ide neural network sudah ada sejak 1950–60-an (perceptron!). Dulu mentok dua hal: data kurang dan komputasi mahal. GPU — chip yang semula dibuat untuk merender game — kebetulan juara mengalikan matriks besar secara paralel, dan itu persis pekerjaan neural network. Resep lengkapnya: ide lama + data internet + GPU = era deep learning.

Batasannya

• Butuh data banyak dan komputasi mahal untuk dilatih.
• Kotak hitam: susah menjelaskan kenapa ia memutuskan sesuatu.
• Tetap bisa salah dengan percaya diri — bobotnya menyebar pola, bukan kebenaran.

Lapisan makin dalam, model makin pintar — itulah babak berikutnya: Deep Learning.