Deep Learning: sebuah approach?

Pendahuluan

"Deep Learning" adalah istilah yang akhir-akhir ini sering kita dengar ataupun baca di media-media informasi di Indonesia, terutama terkait kurikulum pendidikan dasar dan menengah. Seringkali, karena ketidaktahuan, "Deep Learning" dianggap akan menggeser Kurikulum Merdeka yang sudah dijalankan sejak era kepemimpinan Menteri Pendidikan terdahulu, Nadiem Makarim. Namun, dalam sebuah paparan terkait capaian kinerja Kemendikdasmen 2024, Menteri Pendidikan Abdul Mu'ti menegaskan bahwa pola pembelajaran ini tidak akan menggantikan Kurikulum Nasional yang berlaku saat ini, yaitu K13 dan Kurikulum Merdeka (Lavenia, 2024). Tulisan ini dimaksudkan membantu para guru memahami sedikit lebih baik pendekatan "Deep Learning" ini termasuk di dalamnya sejarah guna memberi latar belakang pemahaman terhadap penerapan konsep "Deep Learning" dalam konteks pendidikan di Indonesia. Tulisan ini juga berusaha memberikan gambaran dampak-dampak tak dikehendaki dari penerapan pendekatan "Deep Learning" dalam pendidikan di Indonesia.

Sejarah "Deep Learning"

Istilah "Deep Learning" pertama kali digunakan dalam dunia komputer. "Deep Learning" adalah cabang dari ilmu "Machine Learning" yang menggunakan "artificial neural networks" atau "jaringan saraf tiruan" untuk meriplikasi cara kerja otak manusia dalam belajar dan berpikir. Pada tahun 1965, beberapa ilmuwan komputer, termasuk Alexey Ivankhenko dan Viktor Lapa, berusama mengembangkan algoritma pembelajaran mendalam atau "deep learning". Langkah awal yang mereka lakukan adalah mengembangkan model lapisan yang didasarkan pada "fungsi aktivasi polinomial" dan dianalisis melalui metode statistik untuk mengolah data input (Sari, 2024).

Pada tahun 1979 seorang Jepang bernama Kunihiko Fukushima memperkenalkan jaringan konvolusional. Jaringan konvolusional adalah bagian dari "machine learning" dan merupakan inti dari algoritma "deep learning" atau pembelajaran mendalam (IBM, 2025). Jaringan ini masih menggunakan skema penguatan yang ditentukan secara manual karena pada masa itu teknik melatih model "machine learning" dengan pola "backpropagation" belum berkembang (Spitasari, 2024). "Backpropagation"adalah algoritma yang memungkinkan pelatihan jaringan saraf buatan dalam "machine learning" menjadi lebih mendalam dengan cara yang lebih efisien, sehingga mempermudah proses belajar dan adaptasi model dari data yang ada. Algoritma "backpropagation" diperkenalkan pertama kali oleh Geoffrey Hinton, Yann LeCun, dan Ronald Williams pada tahun 1985 (Sari, 2024).

Penerapan "deep learning" yang lebih praktis beserta inovasi-nya yang lebih nampak baru sungguh muncul pada tahun 1989 ketika Yann LeCun mengembangkan metode "backpropagation" di Bell Labs. Metode "backpropagation" yang ia kembangkan lebih efektif dalam mengklasifikasikan digit tulisan tangan. Hal ini menjadi sebuah lompatan penting karena semakin menunjukkan potensi "deep learning" dalam pengenalan pola dan klasifikasi. Namun demikian, perkembangan "deep learning" bukan tanpa tantangan, terutama bagaimana sinyal data untuk pembelajaran sampai pada lapisan-lapisan yang digunakan untuk memproses data. Maka, diperlukan pra pelatihan lapisan demi lapisan dan pengembangan memori jangka pendek pada tahun 1997 agar data yang sudah direkam di lapisan pertama dapat diteruskan ke lapisan berikut dan memungkinkan pengolahan data yang lebih kompleks.

Puncak inovasi "deep learning" terjadi pada awal tahun 2010-an. Pada 2011 hingga 2012 tim yang terdiri dari Jrgen Ciresen, Alex Krizhevsky, Illya Sutskever, dan Geoffrey Hinton berhasil mengembankan model "deep learning" yang mampu mengenali karakter yang diterapkan pada rambu lalu lintas dan pencitraan medis melalui jaringan konvolusional. pada tahun 2012 hingga 2014 perusahaan-perusahaan besar seperti Google, Facebook, dan Microsoft melakukan akuisisi terhadap start-up dan ilmuwan "deep learning". Investasi besar yang mereka kucurkan membuat perkembangan "deep learning" dan inovasi teknologi "Artificial Intelligent" (AI) semakin cepat.

Aplikasi "Deep Learning"

Dengan melihat potensi "deep learning" dalam mengenal, memahami, dan memproses data yang beraneka ragam, aplikasi "deep learning" menjadi sangat menjanjikan. Kemampuan tersebut akan sangat dibutuhkan dalam bidang-bidang kerja di mana pemrosesan data dibutuhkan untuk mengambil sebuah tindakan yang efisien dan akurat. Sari (2024) dalam artikelnya tentang "deep learning" merangkum beberapa bidang penerapan "deep learning" sebagai berikut:

Bidang kesehatan

"Deep learning" membantu pencatatan riwayat medis dan analisis hasil pemeriksaan medis, seperti radiologi. Melalui pengenalan gambar, "deep learning" akan membantu proeses analisis hasil radiologi dan menilai gambar rekam medis dengan lebih cepat, efisien, dan akurat. Selain itu, "deep learning" dengan kemampuan mendeteksi ribuan gambar dan menemukan pola tertentu akan sangat membantu deteksi dini berbagai penyakit dan gangguan kesehatan, seperti deteksi dini dari hasil MRI atau CT Scan. Dengan keakuratan data, "treatment" pengobatan pasien secara tepat dan akurat lebih dimungkinkan.

Pelayanan pelanggan

Dengan semakin berkembangnya e-commerce atau perdagangan secara online, volume belanja dan arus lalu lintas perdaganban semakin mudah dan cepat. Hal ini, tentu memberikan tantangan tersendiri karena pelayanan pada pelanggan juga semakin meningkat baik segi kuantitas, juga diharapkan dari segi kualitas. Pelanggan atau "customers" menghendaki pelayanan yang semakin cepat, efisien, dan personal. "Deep learning" membantu e-commerce untuk memberikan respon yang lebih cepat dan sesuai keinginan pelanggan melalui, misalnya chatbot atau "Chatting Robot". Chatbot setidaknya akan mampu menjawab pertanyaan dasar serta memahami dan merespon balik pertanyaan dengan ambiguitas tinggi. "Deep learning" memungkinkan chatbox untuk merekam dan belajar dari interaksi sebelumnya dan terus-menerus meningkatkan keakuratan dan relevansi jawaban. Dengan demikian, permintaan pelanggan akan lebih cepat dan tepat diproses.

Analisa keuangan dan keamanan yang lebih terpercaya

Di sektor keuangan, "deep learning" dapat membantu analisis prediktif untuk, misalnya, perdagangan saham. "Deep learning" dapat membantu menganalisa pergerakan saham. Selain itu, "deep learning" dapat membantu menilai risiko kredit dan meneteksi penipuan. Keputusan-keputusan lembaga keuangan akan lebih akurat jika menggunakan teknologi "deep learning" yang mengelola ribuan data dan menganalisa kemungkinan-kemungkinan keuangan. Di sektor perbankan, "deep learning" dapat membantu mengidentifikasi transaksi yang mencurigakan dan menelusuri data historis orang yang akan mengadukan kredit untuk menilai kelayakan si pengkredit.

Mempelajari pola bicara melalui identifikasi suara

"Deep learning" mampu mengidentifikasi suara untuk proses pengenalan nada bicara, bahasa dan aksesn organik manusia. Teknologi ini diterapkan, misalnya, di aplikasi Google Assistant, Siri, dan Alexa guna memahami perintah dan memberikan respon yang sesuai dan terasa lebih organik.

Introduksi visual

"Deep learning" memungkinkan komputer memahami informasi visual dengan cara yang mirip dengan cara manusia mengenali gambar. Input akan diproses melalui lapisan-lapisan yang akan melakukan komputasi dan pencocokan. "Deep learning" dalam hal ini dapat diaplikasikan untuk memantau sistem keamanan dengan mengenali dan melacak aktivitas mausia melalui kamrea CCTV.

Natural Language Processing (NLP)

"Natural Language Processing" atau (NLP) adalah teknik deep learning yang digunakan untuk pemrosesan dan pemahaman bahasa manusia. NLP digunakan dalam aplikasi seperti ChatGPT untuk mengenali, mengelompokkan, dan menganalisis frasa-frasa kunci dalam suatu teks. NLP bekerja dengan cara memahami perbedaan antara komentar positif dan negatif di media sosial. Selain itu, NLP juga bekerja melalui, misalnya, chatbot yang memungkinkan interaksi dengan pengguna secara otomatis.

Mendeteksi pola anomali

Yang dimaksud dengan deteksi pola anomali adalah pengenalan suatu pola tertentu yang tidak biasa atau tidak sama dengan pola pada umumya. Deteksi pola anomali ini penting dalam meningkatkan keamanan dan efisiensi di berbagai bidang. "Deep learning" mampu mengenali pola-pola tak biasa dalam data tabular, gambar, dan rekaman CCTV yang berpotensi menjadi ancaman atau masalah. Model ini biasanya digunakan dalam bidang keuangan untuk melihat pola penipuan.

"Deep Learning" dalam dunia pendidikan di Indonesia

Dunia pendidikan akhir-akhir ini memberi perhatian lebih pada kurikulum yang akan diterapkan di Indonesia terkait pergantian menteri yang mengurusi masalah pendidikan di Indonesia. Jargon "ganti menteri, ganti kurikulum" rupaya masih menjadi kekhawatiran banyak guru ketika terjadi pergantian kekuasaan di negara ini. Hal ini ditambah dengan pernyataan Menteri Pendidikan Dasar dan Menengah (Mendikdasmen) Abdul Mu'ti tentang "Deep Learning". Para guru khawatir bahwasanya "Deep Learning" akan menggantikan Kurikulum Merdeka yang sudah diterapkan di sekolah-sekolah di seluruh Indonesia.

Berakar dari "deep learning" dalam dunia teknologi komputer sebagaimana diulas di atas, "Deep Learning" yang dimaksudkan oleh Mendikdasmen adalah sebuah "approach" atau model pendekatan pembelajaran yang berfokus pada pengalaman belajar yang lebih mendalam dan bermakna bagi para murid (Rangkuti, 2024). Menurut Abdul Mu'ti "Deep Learning" atau dalam Bahasa Indonesia disebut "Pembelajaran Mendalam" didasarkan pada tiga prinsip, yaitu: Mindful Learning (Pembelajaran Sadar), Meaningful Learning (Pembelajaran Bermakna), dan Joyful Learning (Pembelajaran Menyenangkan).

Pembelajaran Sadar dimaksudkan bahwa setiap proses pembelajaran dilaksanakan dengan kesadaran bahwa tiap murid bukanlah sebuah kertas kosong. Para murid datang ke kelas dengan pengalaman dan kebutuhan yang berbeda-beda. Kondisi sosial, ekonomi, dan budaya tempat para murid tumbuh memengaruhi cara pandang dan kebutuhan yang berbeda dalam proses pembelajaran. Setiap guru dituntut untuk setidaknya memahami latar belakang dan kebutuhan tersebut. Maka assessment awal sangat dibutuhkan oleh para guru untuk menjalankan pembelajaran sadar ini. Prinsip ini mirip dengan "deep learning" di mana data dikumpulkan dan dibaca sebagai informasi untuk memberi respon terhadap masalah atau pertanyaan yang diajukan.

Pembelajaran sadar diharapkan mampu memberikan pengalaman belajar yang lebih bermakna. Pembelajaran bermakna atau "meaningful learning" berarti proses pembelajaran yang membantu para siswa untuk mampu mempertanyakan realitas sekitar mereka, mendorong para siswa berpikir kritis dengan lebih banyak terlibat aktif dalam proses pembelajaran. Para siswa yang menjalani pembelajaran bermakna akan mampu "making sense of reality" atau memahami realitas sekitar dan membuat koneksi antara pemikirannya dan situasi sekitar. Pembelajaran bermakna, dengan demikian, membuat proses pembelajaran menjadi lebih mendalam.

Salah satu syarat agar pembelajaran bermakna bagi para siswa adalah bahwa proses pembelajaran tersebut menyenangkan bagi para siswa. Pengalaman pembelajaran yang menyenangkan mendorong para siswa untuk lebih "engaged" atau terlibat dalam seluruh proses pembelajaran dan melakukan proses "making meaning" atau proses memahami realitas hidup di sekitar dan kaitanya dengan dirinya dan seluruh potensi dirinya. Pembelajaran menyenangkan atau "joyful learning" dengan demikian menjadi pilar yang tak terbantahkan dari terciptanya "deep learning" atau pembelajaran mendalam.

Melalui penjelasan di atas dapat dikatakan bahwa pendekatan "deep learning" dalam pembelajaran dimaksudkan agar para murid dalam lebih aktif lagi terlibat dalam proses pembelajaran, sehingga proses "making meaning" atau pemaknaan pembalaran dapat terjadi. Dengan demikian para murid sejak dini terbiasa dengan "critical thinking" atau berpikir kritis dan memahami realitas sekitarnya atau "making sense" serta beraksi seturut situasi sekitar yang berubah-ubah. Dengan demikian, di masa depan para murid diharapkan dapat melalui berbagai tantangan di dunia yang berubah-ubah dengan inovasi atau cara berpikir dan pendekatan baru dan inovatif.

Dengan demikian, jelas bahwa "Deep Learning" atau Pembelajaran Mendalam bukanlah sebuah kurikulum. "Deep Learning" adalah sebuah pendekatan atau "approach" terhadap pelaksanaan kurikulum di sekolah-sekolah menengah di Indonesia. Maka, "Deep Learning" tidaklah ada untuk menggantikan Kurikulum Merdeka atau Kurikulum 2013. Karena merupakan sebuah pendekatan, "Deep Learning" dapat diterapkan di semua kurikulum. Kemendikbdasmen saat ini masih melakukan kajian mendalam mengenai pengembangan kurikulum pendidikan di Indonesia dan hingga saat ini belum ada keputusan terkait penggantian kurikulum yang sudah ada. Perubahan-perubahan yang dilakukan Kemedikdasmen dimaksudkan agar pembelajaran tidak terlalu membebani siswa dan guru, namun justru membuat pembelajaran menjadi pengalaman yang menyenangkan dan bermakna.

"Deep Learning", jika diterapkan dengan benar pada suatu kurikulum pembelajaran di sekolah, memiliki sejumlah manfaat, seperti pengembangan berpikir kritis (critical thinking), pengetahuan yangn dapat diterapkan di dalam hidup sehari-hari, keterlibatan aktif siswa dalam proses pembelajaran, dan meningkatkan keterampilan kolaborasi. Sementara itu, bagi guru "Deep Learning" dapat membanu para pengajar untuk memahami pedagogi lebih baik, yaitu bahwasanya proses pembelajaran bukanlah sekedar transfer ilmu tetapi sebuah proses belajar yang bersifat mutual dan saling melengkapi di mana pengajar menyadari mereka bukanlah satu-satunya sumber ilmu. Dengan demikian pengajar dituntut untuk selalu mengupdate pengetahuan karena mereka juga bagian integral dari proses pengajaran itu sendiri. Pengajar, dalam pendekatan ini, adalah kolaborator yang turut menciptakan lingkungan belajar yang konstruktif, yang mendukung perkembangan siswa.

Penerapan "Deep Learning" di dalam proses pembelajaran di kelas sangatlah bervariasi. Berikut ini beberapa contoh penerapan pendekatan "Deep Learning" dalam praksis belajar mengajar sehari-hari di dalam kelas:

Pembelajaran berbasis projek (Project-based Learning)

Melalui pendekatan ini siswa diberi kesempatan untuk menerapkan pengetahuannya melalui projek yang jenisnya dapat mereka pilih atau dalam diskusi dengan guru kelas. Para siswa dilatih untuk menghitung biaya dan bahan-bahan yang diperlukan untuk membuat projek tersebut. Melalui pendekatan project-based ini siswa belajar menerapkan teori yang ia pahami dan "making sense" atau membuat teori tersebut masuk akal melalui projek tersebut; para murid menjadi lebih paham koneksi antara teori yang ia pahami dan pelajari dan prakteknya dalam kehidupan nyata.

Pendekatan yang lebih komprehensif (Comprehensive approach)

"Deep Learning", dengan semua dimensi pendekatan yang telah dibahas seblumnya, menawarkan pendekatan yang lebih komprehensif, yaitu pendekatan yang juga menekankan segi pengalaman belajar, nilai, dan kebermaknaan. Pendekatan yang komprehensif, jika diterapkan dengan benar dan setia, diharapkan dapat membantu para siswa berkembang menjadi manusia yang seimbang, yaitu memiliki kemampuan kognitif yang mumpuni, yang dilengkapi dengan kepandaian sosial dan moral yang memadahi. Pendekatan "Deep Learning" dapat membuat pelaksanaan kurikulum menjadi lebih bermakna baik bagi siswa maupun pengajar. Proses pendidikan, dengan demikian, menjadi bagian organik dari keseluruhan hidup manusia, hidup para murid maupun para pengajar. "Deep Learning" diharapkan akan membantu para murid menjadi manusia dewasa yang mumpuni secara kognitif, mampu berinovasi dalam memecahkan masalah dan menghadapi tantangan, tetapi juga bermanfaat bagi kemanusiaan secara umum.

"Deep Learning" dapat diterapkan sebagai sebuah pendekatan belajar mengajar yang menciptakan lingkungan belajar yang lebih menarik, menyenangkan, dan bermakna. Guru atau pengajar, misalnya, dapat menyediakan materi-materi yang dapat dipilih oleh para siswa untuk mereka pelajari lebih mendalam. Kemudian, para murid diberi kesempatan untuk mempresentasikan materi yang meraka pahami dan mendiskusikannya dengan sesamam teman di kelas. Topik yang mungkin tidak menarik untuk sebagian siswa, jika disampaikan oleh sesama teman satu kelas dapat menjadi lebih menarik. Dalam hal ini guru bertindak sebagai fasilitator tetapi juga mentor jika diskusi mengalami "stuck" atau kebuntuan.

Penghalang pendekatan "Deep Learning"

Di tengah optimisme pendekatan "Deep Learning" dalam pembelajaran di Indonesia dan penerapannya yang menjanjikan banyak manfaat bagi peserta didik dan pendidik, terdapat beberapa hal yang harus diperhatikan. Pendekatan "Deep Learning" yang bertujuan membuat proses pembelajaran lebih bermakna justru dapat jatuh pada proses pembelajaran yang tidak aktual bagi peserta didik dan tidak bermakna jika pemahaman pedagogi pengajar kurang mendalam. Selain itu, persiapan yang tidak dipikirkan secara mendalam justru dapat membuat pengetahuan para siswa terpecah dan tidak integral. Melihat hal tersebut, terdapat beberapa tantangan yang perlu diperhatikan dalam penerapan pendekatan "Deep Learning" dalam pembelajaran di sekolah-sekolah kita, yaitu:

Ketidakhadiran mental

Ketidakhadiran mental baik guru maupun peserta didik menjadi penghalang pertama penerapan pendekatan "Deep Learning" di dalam proses belajar mengajar di sekolah. Tujuan pendekatan "Deep Learning" untuk menciptakan pembelajaran yang mendalam di mana para siswa mengalami pembelajaran sebagai bagian integral dari proses perkembangan dirinya tidak akan tercapai jika guru dan murid tidak sungguh terlibat di dalam proses atau dapat dikatakan tidak hadir secara mental di dalam proses pembelajaran. Guru dapat jatuh pada kecenderungan sibuk dengan aktivitas lain yang seolah terkait dengan tema pembelajaran meskipun sebenarnya tidak terkait sama sekali. Begitu pun para siswa yang diberi keleluasaan untuk belajar dapat teralihkan fokusnya pada kegiatan lain yang saat itu menarik perhatiannya (Suryani, 2025).

Perencanaan yang baik

Kesan "longgar" dari pendekatan "Deep Learning" di mana pengalaman siswa dalam belajar dan fungsi "making meaning" yang ditekankan seringkali disalah artikan bahwa pendekatan "Deep Learning" ini sangat longgar. Sebenarnya justru sebaliknya, pendekatan "Deep Learning" mengandaikan perencanaan yang tepat dan baik. Perencanaan tersebut bukanlah perencanaan kaku prosedural di mana ruang kreativitas yang memungkinan para siswa melalui proses "making meaning" dan "making sense of reality" itu terjadi. Tanpa perencanaan yang baik dan teliti, proses pembelajaran menjadi tidak terarah dan tujuan pembelajaran tidak akan tercapai maksimal (Suryani, 2025).

Relevansi yang rendah

Tanpa proses yang benar dan tujuan yang jelas, pembelajaran dengan pendekatan "Deep Learning" menjadi tidak relevan bagi para siswa (Suryani, 2025). Tema yang ditentukan serampangan tanpa riset terlebih dahulu, misalnya, akan membuat para siswa merasa pengalaman belajar yang mereka alami di ruang-ruang kelas tidak "nyambung" atau relevan dengan kehidupan mereka sehari-hari. Jika hal ini terjadi, para murid akan mengalami bahwa proses pembelajaran sekolah tidak berguna bagi mereka, tidak membekali mereka dengan kemampuan yang mereka butuhkan dalam hidup sehari-hari. Proses pembelajaran di kelas, dengan demikian, dapat dipastikan tidak "engaging" atau tidak membuat para siswa tertarik untuk terlibat di dalamnya.

Final Remark

Melalui diskusi di atas jelaslah bahwa pendekatan "Deep Learning" dalam kurikulum untuk pembelajaran di tingkat Sekolah Dasar dan Menengah berbeda dengan konsep "deep learning" yang berkembang di bidang sains komputer, meskipun yang kedua berakar dari konsep yang dikembangkan oleh yang pertama. Prinsip pendekatan "Deep Learning" atau Pembelajaran Mendalam dalam kurikulum Sekolah Dasar dan Menengah mempunyai tujuan untuk menciptakan proses pembelajaran yang bermakna, kreatif, dan kontekstual dengan lingkungan sosial, ekonomi, dan budaya para para siswa. Para pendidik didorong untuk terlibat aktif pula dalam proses tersebut karena proses pendidikan dengan pendekatan "Deep Learning" mengandaikan proses pendidikan yang berjalan dua arah, sebuah lingkungan yang saling memperkaya. Selalu ada ruang untuk belajar, maka kita para pendidik berkewajiban pula untuk mengembangkan diri terus menerus untuk menjadi "ongoing learners" atau pembelajar terus-menerus.

 

Referensi

IBM. (2025, February 5). APA ITU Convolutional Neural Network?. IBM. https://www.ibm.com/id-id/think/topics/convolutional-neural-networks

Jiantono, A. C. (2023, July 18). Mengenal Deep learning Beserta Contoh penerapannya. School of Information Systems. https://sis.binus.ac.id/2023/07/18/mengenal-deep-learning-beserta-contoh-penerapannya/

Juanda, M. (2021, April 21). Mr juanda. Komite. https://www.komite.id/2021/04/21/regulator-dunia-waspadai-ancaman-deepfake-yang-gunakan-teknologi-ai-deep-learning/

Lavenia Y., A. (2024, December 31). Mendikdasmen Abdul mu'ti: Pendekatan deep learning akan diterapkan di kurikulum nasional. Tempo. https://www.tempo.co/politik/mendikdasmen-abdul-mu-ti-pendekatan-deep-learning-akan-diterapkan-di-kurikulum-nasional-1188242

Pendidikan Anak Usia Dini. (n.d.). Deep learning Untuk Pemula: Ibarat Anak Belajar mengenal Dunia. https://paud.fip.unesa.ac.id/post/deep-learning-untuk-pemula-ibarat-anak-belajar-mengenal-dunia

Rangkuti, M. (2024, November 16). Pengertian deep learning: Diperkirakan Sebagai Pengganti kurikulum Merdeka Belajar. Blog Info dan Berita. https://fahum.umsu.ac.id/blog/pengertian-deep-learning-diperkirakan-sebagai-pengganti-kurikulum-merdeka-belajar/

Sari, R. P. (2024, July 29). Apa Itu Deep Learning? Cara Kerja Dan Contohnya. Cloud Computing Indonesia. https://www.cloudcomputing.id/pengetahuan-dasar/apa-itu-deep-learning

Suryani, L. (2025a, February 7). Penasaran Apa Saja penghalang pendekatan deep learning, Simak Liputan selengkapnya!. Melintas. https://www.melintas.id/pendidikan/345618233/penasaran-apa-saja-penghalang-pendekatan-deep-learning-simak-liputan-selengkapnya