Dalam praktik, jumlah sel atau elemen pemroses cukup banyak, namun cara perhitungannya sama saja, yaitu berupa perkalian, penjumlahan, dan pembatasan. Kumpulan sel-sel selain input data dan output disebut lapisan dalam (hidden layer). Lapisan dalam biasanya terdiri dari beberapa lapisan. Apabila lapisan dalam terdiri dari banyak lapisan, maka JST berubah menjadi Pembelajaran Dalam (Deep Learning), meskipun prinsip perhitungan data sama saja.
Terkait dengan cara menghubungkan antar sel-sel dan lapisan pemroses sehingga membentuk suatu jaringan, muncul nama-nama dari JST, antara lain perceptron, jaringan syaraf berulang, fungsi basis radial, jaringan syaraf konvolusi, dan sebagainya. Masing-masing memiliki kelebihan dan kekurangan dalam melakukan komputasi, baik dalam efisiensi dan kecepatan.
Masalah terbesar dan sekaligus menjadi inti dari JST adalah bagaimana mendapatkan sekumpulan angka yang disebut dengan bobot. Ini berupa matriks yang berisi bilangan real yang dihasilkan dengan teknik komputasi tertentu. Matriks bobot dihasilkan dari proses pelatihan (training) kepada JST sedemikian rupa sehingga sebuah matriks bobot akan secara spesifik terkait sekumpulan data pelatihan tertentu.
Jenis pelatihan atau pembelajaran bagi JST ada yang bersifat terawasi (supervised) dan tidak terawasi (unsupervised). Pada pelatihan terawasi, perubahan bobot dicocokkan dengan sekumpulan output tertentu sedemikian sehingga perubahan bobot sudah tidak lagi signifikan dibandingkan terhadap sejumlah angka output tertentu. Tersedia banyak teknik dalam pelatihan JST sehingga harus dipilih teknik yang lebih cocok untuk suatu masalah tertentu.
Pada awalnya matriks bobot ini cukup kontroversial karena tidak mencerminkan interpretasi fisik apapun. Namun dari kinerja matriks bobot ternyata mampu menghasilkan sesuai dengan berbagai data pengujian, maka lambat laun konsep matriks bobot ini diterima oleh para ahli.
Contoh Penggunaan JST
Misalnya kita menginginkan JST menyempurnakan kalimat “Ade membawa …” dengan objek yang bermakna. Seperti contoh sebelumnya, meskipun kalimat “Ade membawa gunung,” secara tata bahasa benar, tetapi kalimat ini tidak bermakna. JST harus dilatih menggunakan sekumpulan kata sebagai objek yang benar sehingga menjadikan kalimat tersebut mempunyai makna.
Matriks bobot yang dihasilkan dari proses pelatihan menggunakan serangkaian input dan output, digunakan pada kalimat yang ingin dibuat sehingga menghasilkan kalimat benar sesuai harapan.
Contoh lain penggunaan adalah untuk mengenali sebuah gambar binatang, di mana JST harus menentukan gambar yang sudah dibaca adalah gambar seekor kucing, anjing, atau binatang lain. Untuk membuat kemampuan ini maka JST harus dilatih menggunakan sekumpulan berbagai gambar binatang dalam berbagai sudut pengambilan gambar. Setelah diperoleh matriks bobot dari hasil pembelajaran, JST dapat digunakan untuk menebak sebuah gambar binatang tertentu meskipun dengan pose dan warna yang berbeda.
Banyak langkah yang disebut preprocessing terhadap data sebelum bisa dilakukan baik untuk proses pelatihan maupun pengujian. Preprocessing yang dilakukan atas data tergantung pada penerapan dari JST, misal untuk penerjemahan bahasa membutuhkan proses tokenisasi, normalisasi, pembentukan vektor, dan sebagainya.
Beberapa penerapan lain dari JST antara lain sebagai berikut:
- Pengenalan wajah; JST digunakan untuk mengenali dan mengidentifikasi wajah individu serta diaplikasi pada ponsel, sistem keamanan, atau pencarian foto.
- Diagnosis medis; JST digunakan untuk membantu diagnosis dan pengolahan data medis serta diaplikasikan pada citra CT scan, MRI, atau data laboratorium.
- Prediksi harga saham; JST digunakan dalam prediksi harga saham berdasarkan data sejarah (historical data) dan berbagai faktor ekonomi dan keuangan lainnya.
- Penerjemahan bahasa; JST membantu membangkitkan terjemahan dengan memilih kosa kata sehingga lebih natural.
- Robotika; JST digunakan untuk membantu membuat berbagai keputusan rumit berdasarkan berbagai parameter dengan volume data yang sangat besar.
Penutup
Penggunaan kecerdasan buatan telah terbukti sanggup mengubah berbagai aspek kehidupan, mulai dari teknologi informasi hingga kesehatan dan keuangan. AI tidak saja mampu meningkatkan efisiensi dan produktivitas, tetapi juga membuka bagi berbagai peluang inovasi yang sebelumnya tidak terbayangkan.
