Mengenali Deep Learning Aplikasi Teknologi Masa Depan

Jum'at, 03/12/2021 00:25 WIB
Mobil self-driving adalah topik yang cukup populer saat ini.  Foto Medium.com

Mobil self-driving adalah topik yang cukup populer saat ini. Foto Medium.com

law-justice.co -
Kemajuan teknologi semakin berkembang pesat. Mari mengenali  bagaimana mobil listrik yang bisa berjalan sendiri dan bisa membedakan bisa berjalan tanpa pengemudi.
Nah, karena kemampuannya ini, teknologi deep learning juga dikenal sebagai deep neural learning atau deep network learning.

Selain digunakan pada berbagai aplikasi raksasa, Deep learning merupakan teknologi utama di balik mobil tanpa pengemudi.

Cara kerja seperti susunan syaraf manusia seperti 1 sel neural  akan membentuk jaringan syaraf buatan yg sama dengan aslinya, maksudnya sebagai
ada bagian sensor manangkap masukan, bagaian melakukan presepsi karena   masukan dan ada bagian keluaran dari syaraf.

Karena lapisannnya banyak sehingga disebut deep learning .

Riset awal AI sebenarnya di mulai th 1955 tetapi hanya bertahan beberap tahun karena banyak kekurangan alasannya  hanya linier fungsi saja kemmpuannya.
tapi kemudian mulai lagi di tahun 80an

Sebenarnya di temukan oleh orang rusia pada tahun 1965 tulis dalam bahasa Rusia. Hampir selama 30 tahun terpendam , setelah diterjemahkan bahasa inggris baru
banyak yang mengakui ternyata pendekatan yang sangat luar biasa.

Contohnya hasil perhitungan survey pemilu bisa menyimpulakan hasil hitungan prediksi kemenangan , mempunyai tingkat kesalahan berepa dan ketelitian / akurasi berapa, itulah hebat  karena polas sistem statistik ada didalamnya bisa di training dalam pengambilan keputusan. Penemuan  algoritma  ini yang diguanakan adalah SVM , Support vector machine.

Tapi meskipun canggih tapi mempunya kelemahan di prosesingnya. non polinominal time, cukup berat.

Akhirnya berkembang versi optimasi berikutnya yang lebih akurasi. tahun 2006 baru ditemukan Deep Netework , algoritmya bisa mencari sendiri sehingga bisa belajar dengan baik.

Untuk melakukan prediksi  orang , Inputan yang digunakan adalah : berat badan, pendidikan s1 apa s2, jarak dari rumah dan masukan yang lain. 
berapa penting masukan dengan tersebut ?  angka angak akan di responkan  pada jawaban prediksi .  Nilai  bobot  dibutuhkan masing masing ikut  masukan juga .

Misalnya berat banda karena tidak perting dibuatkan bobot nilai  0.2 . dan usia apabila cukup penting akan dibuatkan bobot kebih tinggi misalnya nilai 0,8.

 

Nilai bobot ini bukan kita kerjakan secara manual tapi dikerjakan tapi ini adalah preses belajar adalah kemampuan algoritma dijalankan akan melakukan adjustmen sendiri secara otomatis.

Bagaimana caranya ? itu yang disebut backoff propagation dimana akan bolak balik dikerjakan sampai mendapatkan eror yang baik. Proses yang bolak balik ini menjadi lebih lama , proses ini merupakan training untuk menemukan yang terbaik.

Training disini sebagai supervised traning karena sudah ada jawaban targetnya .
Misalkan dari masukan data orang dari masukan panjang rambut , warna kulit , usia, golongan darah ,berat badan akan diprediksi keluarannya laki laki apa perempuan
yang dianalogikan angka 1 dan nol ( angka 1 sebagai laki laki ,angka nol sebagai perempuan)


Contoh lain adalah berdasarkan data saham dari nilai opening candel stik , mendapatkan nilai maximum dan minimum ,kita bisa menebak saham untuk data masukan seminggu sebelumnya , dan akan mencapai nilai berapa prediksinya.

Persamaan hanya 2 dimensi pilihan outputnya atau clasifikation jawabannya 2 macam .
untuk lebih dari 3 dimensi alat penentunya 2 diminsi , dan ini bisa juga untuk menyelesaikan multi dimensi disolusikan hyper plain.
supaya bisa dibagi 2 bagian.

Pekerjaan ini dilakukan oleh neural network dengan melakukan training sendiri. jadi sangat memudahkan manusia .
beberapa cara memecahkan bisa menggunakan  topologi neural network ini paling umum mengguanakan feedforward neural network , artinya diteruskan kearah kedepan .
Sinyal yanag masuk akan diteruskan ke sinyal berkutnya jadi satu arah, karena ada  juga yang bisa balik arah kearah bawahannya.

Semakin banyak layer semakain banyak bisa menyelesaikan masalah yang lebih rumit.  Akibatnya perhitungan komputernya akan semakin lama.

Solusi yang palaing akurat belum tentu yang paling sesuai , tapi ini ngat diperlukan di proses training data saja

Proses diatas sebenarnya tujuan mencari nilai eror yang rendah .

Teknologi ini sangat efektif untuk mengolah data mentah dan menciptakan pola untuk keperluan pengambilan keputusan.
Selain digunakan pada berbagai aplikasi raksasa yang lain  seperti disebut diatas  , Deep learning merupakan teknologi utama di balik mobil tanpa pengemudi.

 

 

(Patia\Editor)

Share:




Berita Terkait

Komentar