Kecerdasan Buatan dengan Jaringan Syaraf Tiruan

Pendahuluan

Dalam beberapa tahun ini, terutama bagi para pembelajar, tentu pernah mendengar tentang ChatGPT. Meskipun tidak seheboh berita tentang selebriti, kehadiran ChatGPT merupakan awal dari kehadiran berbagai perangkat lunak atau sistem yang dilengkapi dengan fitur kecerdasan buatan. Penerapan fitur ini sangat membantu bagi para pengguna komputer dalam melakukan pekerjaan tertentu, misalnya merangkai kalimat dan paragraf, menggambar, bahkan sanggup mengubah dari narasi atau skrip menjadi video.  Memang fitur dasar ChatGPT adalah kemampuan kecerdasan buatan. Pada artikel ini kita akan mendiskusikan topik kecerdasan buatan secara singkat.

Kecerdasan Buatan

Menurut Kamus Besar Bahasa Indonesia (KBBI) “cerdas” termasuk ke dalam jenis adjektiva (kata sifat), yang berarti sempurna perkembangan akal budinya (untuk berpikir, mengerti, dan sebagainya); bisa juga diartikan tajam pikiran. Sedangkan “kecerdasan” adalah hal tentang cerdas atau inteligensi.

Adapun kata “Kecerdasan Buatan” merupakan terjemahan dari kata Bahasa Inggris “Artificial Intelligence (AI)” arti menurut KBBI adalah program komputer dalam meniru kecerdasan manusia, seperti mengambil keputusan, menyediakan dasar penalaran, dan karakteristik manusia lainnya.

Dari sekian banyak makhluk hidup di Bumi, manusia diberikan kecerdasan sangat tinggi dibandingkan dengan makhluk-makhluk lain. Beberapa jenis binatang terbukti mempunyai kecerdasan tetapi pada tingkat yang sangat jauh di bawah dibandingkan dengan manusia.

Menurut AWS, yang dimaksud Kecerdasan Buatan (AI) adalah bidang ilmu komputer yang khusus dalam memecahkan masalah kognitif terkait dengan kecerdasan manusia, misalnya pembelajaran, penciptaan, dan pengenalan gambar. Agar suatu AI mampu melakukan itu, maka harus tersedia data dalam jumlah besar dari beragam sumber, misalnya konten buatan manusia, alat pemantauan, log (catatan peristiwa) sistem, dan sensor pintar. Dengan berbekal banyak data, suatu sistem AI belajar mampu melakukan proses klasifikasi dan membuat prediksi sebagai suatu kesimpulan berdasarkan teknik pelacakan data (pengetahuan) tertentu.

Bagi seorang anak yang pernah belajar tentang warna-warna dan nama masing-masing warna, misalnya merah, hijau, kuning, biru, dan seterusnya, pada saat dia melihat suatu warna dinding tertentu dia akan tahu bahwa itu warna yang sama dengan yang pernah dipelajari. Meskipun tidak serta merta sanggup menyebutkan nama dari warnanya, paling tidak dia masih bisa mengingat warnanya. Anak ini disebut cerdas apabila mampu mengingat kosa-kata warna-warna untuk menyebutkan nama dari warna yang dia sedang lihat, meskipun warna yang dilihat sedikit beda dengan yang pernah dipelajari.

Komponen utama dari sebuah AI sekarang ini berupa pembelajaran mesin (PM; machine learning, ML) dan jaringan syaraf tiruan (JST, artificial neural network). PM merupakan sekumpulan model dan algoritma untuk mengenali pola-pola dari data. Beberapa teknik PM berdasarkan pada model statistik. Sedangkan JST adalah sebuah model dan algoritma komputasi data dengan meniru cara kerja dari sel-sel neuron yang ada pada otak manusia. Setiap sel neuron buatan merupakan sebuah pemroses data sederhana terhubung ke neuron-neuron lain membentuk lapisan jaringan tertentu.

Sistem AI dilengkapi mesin inferensi, yaitu mekanisme bagaimana mekanisme atau aturan-aturan menarik kesimpulan dari berbagai pengetahuan yang sudah disimpan. Sebagai contoh, AI mampu menghasilkan kalimat “Ade membawa tas hitam,” dan tidak menghasilkan kalimat tidak bermakna “Ade membawa gunung hijau,” di mana kedua kalimat menggunakan pola sama yaitu Subjek Predikat Objek.

Jaringan Syaraf Tiruan dan Pembelajaran Mendalam

JST digunakan untuk memodelkan algoritma komputasi dari sekumpulan angka input dan menghasilkan sekumpulan angka output. Di antara input dan output tersedia sekumpulan elemen pemroses yang bertugas melakukan perkalian antara angka input dengan bobot masing-masing. Bayangkan ada 2 buah angka input 2 dan 3, masing-masing 10 dan 20, maka hasil perkalian dan penjumlahan: 2*10 + 3*20 = 70 akan disimpan pada sel, dan bila tersedia bobot kedua, misalnya 40 dan 50, maka hasil perkalian dan penjumlahan: 1*40 + 2*50 = 140 disimpan pada sel kedua. Angka 70 dan 140 pada kedua sel dikenakan fungsi pembatas (threshold function, activation function) untuk menghasilkan angka output dari kedua sel, misal bila angka kurang dari 100 dianggap 0, dan 100 ke atas dianggap 1, maka angka 0 dan 1 merupakan output dari sel pertama dan kedua.

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.

Dengan berbagai tantangan, termasuk dalam etika dan keamanan, potensi dan kemanfaatan AI saat ini adalah luar biasa. Dengan terus mengembangkan dan mengimplementasikan AI secara bertanggung jawab, kita dapat memastikan bahwa teknologi ini akan mampu mempercepat kemajuan dan meningkatkan kualitas hidup manusia di seluruh dunia.