Seperti yang kita ketahui, selama beberapa tahun terakhir, AI telah berkembang pesat hingga membawa banyak manfaat bagi dunia teknologi dan bisnis. Kini, ada banyak sekali teknologi AI yang bermunculan salah satunya yang paling populer adalah ChatGPT 3 (sekarang sudah dirilis ChatGPT 4). Kehadiran ChatGPT 3 sebagai representasi dari teknologi AI generasi terbaru telah membuat banyak orang semakin terpukau dengan kemampuan AI yang semakin canggih. Kesuksesan ChatGPT juga dibuktikan dengan populeritasnya yang hanya membutuhkan waktu 5 hari untuk mendapatkan 1 juta user [1].
Jaringan syaraf buatan (artificial neural networks) merupakan teknologi dibalik sistem AI yang cerdas. Ini terinspirasi dari jaringan neuron biologis yang dapat ditemukan pada otak kita. Artikel ini akan membahas tentang bagaimana ilmu biologi menginspirasi terbentuknya teknologi jaringan syaraf hingga menciptakan AI yang canggih. Juga, saya akan menjelaskan secara sederhana tentang cara kerja jaringan syaraf buatan hingga aplikasinya. Mari simak penjelasan berikut.
Sejarah singkat jaringan syaraf buatan
Warren McCulloch dan ahli matematika Walter Pitts pertama kali memerkenalkan jaringan syaraf buatan pada tahun 1943. Mereka mempublikasikan sebuah makalah yang menjelaskan bagaimana sel saraf (neuron) dalam otak manusia bekerja dan mencoba mereplikasi proses tersebut dalam komputer. McCulloch dan Pitts memperkenalkan model matematis yang disebut “neuron threshold logic” yang menggunakan prinsip matematika sederhana untuk menjelaskan cara sel saraf dapat mengambil keputusan berdasarkan sinyal-sinyal listrik yang masuk ke dalamnya. Model ini menjadi dasar bagi pengembangan jaringan syaraf buatan yang lebih kompleks di masa depan [2].
Akan tetapi, pada tahun tahun tersebut, jaringan syaraf buatan masih berlum berkembang dikarenakan keterbatasan komputasi. Baru setelah itu (1982), John Hopfield memperkenalkan sebuah jaringan buatan yang dapat mengingat pola-pola yang diberikan. Di tahun berikutnya (tepatnya pada 1986), David Rumelhart dan Geoffrey Hinton memperkenalkan algoritma backpropagation yang memungkinkan jaringan syaraf buatan untuk belajar dari kesalahan yang dilakukan selama pelatihan. Penemuan algoritma ini menjadi tonggak penting dalam sejarah jaringan syaraf buatan karena mengatasi masalah dalam melatih model jaringan syaraf [3].
Setelah ditemukannya algoritma backpropagation oleh David Rumelhart dan Geoffrey Hinton, jaringan syaraf buatan menjadi semakin populer di dunia akademis dan industri pada tahun 1990-an. Perusahaan seperti IBM, Intel, dan Microsoft mulai mengembangkan teknologi jaringan syaraf buatan untuk digunakan dalam aplikasi komersial seperti pengenalan suara dan pengenalan tulisan tangan.
Pada tahun 2010-an, kemajuan dalam teknologi jaringan syaraf buatan semakin pesat dengan adanya Deep Learning dan kemunculan arsitektur jaringan syaraf buatan seperti Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), dan Generative Adversarial Networks (GANs) yang sangat sukses dalam banyak aplikasi seperti pengenalan wajah, deteksi objek, dan pengenalan teks.
Peran ilmu biologi dalam jaringan syaraf buatan
Inspirasi utama dari pembuatan jaringan syaraf buatan adalah sistem syaraf yang terdapat pada otak manusia. Syaraf pada otak manusia digunakan untuk mengirimkan informasi dari satu bagian otak ke bagian lainnya, dan juga untuk mengirimkan sinyal ke seluruh tubuh.
Setiap syaraf terdiri dari tiga bagian utama: badan sel, dendrit, dan akson. Badan sel syaraf adalah bagian yang mengandung inti sel dan organel-organel sel, seperti pada sel lainnya. Dendrit adalah cabang-cabang yang menjulur dari badan sel dan berfungsi untuk menerima sinyal atau rangsangan dari neuron-neuron lain. Sementara itu, akson adalah cabang yang lebih panjang dan berfungsi untuk mengirimkan sinyal atau impuls dari badan sel ke neuron-neuron lain atau ke sel-sel efektor (misalnya sel otot).
Proses transmisi sinyal antar-syaraf dilakukan dengan cara elektrik dan kimia. Ketika neuron menerima sinyal dari dendrit, maka akan terjadi perubahan potensial listrik pada membran sel syaraf, yang disebut dengan potensial aksi. Potensial aksi akan menyebar melalui akson dan kemudian melepaskan zat kimia yang disebut neurotransmitter ke celah sinapsis, yang kemudian menstimulasi dendrit dari syaraf berikutnya.
Sifat utama dari sistem saraf nyata dan buatan adalah kemampuannya untuk memodifikasi respons sebagai hasil dari paparan sinyal eksternal. Cara kerja jaringan syaraf pada manusia sangat kompleks berbanding terbalik pada cara kerja jaringan syaraf buatan yang seherdana. Pada dasarnya, jaringan syaraf buatan hanya meniru prinsip-prinsip dasar dari cara kerja syaraf pada otak manusia dan dikembangkan secara khusus untuk menyelesaikan tugas-tugas tertentu. Nah, gambaran sistem saraf biologis yang sangat disederhanakan lah yang memberikan titik awal yang nyaman untuk diskusi tentang model jaringan syaraf buatan.
Cara kerja jaringan syaraf buatan
Tujuan akhir dari jaringan syaraf buatan adalah untuk mempelajari pola dalam data dan menghasilkan output yang dapat diprediksi. Untuk mencapai tujuan tersebut, terdapat berbagai proses kompleks yang terjadi dalam komputasinya.
Jaringan syaraf buatan terdiri dari banyak neuron yang saling terhubung melalui koneksi matematis yang disebut bobot. Setiap neuron menerima input dari neuron-neuron lainnya dan menghasilkan output yang kemudian menjadi input untuk neuron-neuron lainnya. Proses ini berlangsung melalui serangkaian lapisan (layer) neuron, di mana setiap lapisan memiliki tugas khusus dalam mempelajari pola pada data [4]. Untuk lebih memudahkan pemahaman, kalian dapat melihat struktur jaringan syaraf buatan di bawah ini:
Ketika jaringan syaraf buatan dilatih, bobot koneksi antar-neuron diatur sedemikian rupa sehingga output yang dihasilkan semakin dekat dengan target yang diinginkan. Hal ini dilakukan melalui proses belajar yang menggunakan algoritma backpropagation, di mana setiap kali output jaringan tidak cocok dengan target yang diinginkan, bobot koneksi antar-neuron diubah sedemikian rupa sehingga output yang dihasilkan semakin mendekati target yang diinginkan [4].
Setelah jaringan syaraf buatan dilatih, jaringan dapat digunakan untuk memprediksi output baru dari input yang belum pernah dilihat sebelumnya. Proses ini disebut inferensi dan dilakukan dengan mengalirkan input melalui jaringan syaraf buatan dan menghasilkan output yang sesuai dengan pola yang telah dipelajari oleh jaringan tersebut selama proses pelatihan.
Aplikasi jaringan syaraf buatan pada kehidupan sehari hari
Mungkin beberapa dari kita kurang menyadari implementasi dari jaringan syaraf buatan di kehidupan sehari-hari. Jaringan syaraf buatan banyak digunakan dalam membangun sebuah produk-produk AI. Salah satu produk tersebut adalah pengenalan wajah (face recognition). Jaringan syaraf buatan digunakan dalam teknologi pengenalan wajah untuk mengenali wajah seseorang dalam sebuah gambar atau video. Dalam aplikasi pengenalan wajah, jaringan syaraf buatan diberikan dataset gambar wajah manusia dan dilatih untuk membedakan antara satu wajah dengan yang lainnya. Setelah dilatih dengan cukup banyak data, jaringan syaraf buatan mampu mengenali wajah manusia dengan akurasi yang tinggi.
Selain pengenalan wajah, masih ada beberapa implementasi dari jaringan syaraf buatan di kehidupan sehari hari. Beberapa implementasi lain tersebut, antara lain:
- Kendaraan Otonom: Jaringan syaraf juga digunakan dalam kendaraan otonom untuk mengambil keputusan saat mengemudi. Jaringan syaraf pada kendaraan otonom mempelajari pola-pola dari data sensor yang digunakan, seperti kamera, lidar, dan radar. Data tersebut kemudian diolah oleh jaringan syaraf untuk mengenali objek, memprediksi jalur yang lebih efisien, dan membuat keputusan saat mengemudi.
- Penerjemah Bahasa: Jaringan syaraf digunakan pada aplikasi penerjemah bahasa untuk menerjemahkan bahasa asing ke dalam bahasa yang lebih mudah dipahami oleh pengguna. Algoritma pembelajaran mesin yang digunakan pada penerjemah bahasa menggunakan jaringan syaraf untuk mempelajari pola-pola dari data teks. Cara kerjanya adalah dengan memproses data teks dari bahasa asing dan menghasilkan teks terjemahan yang sesuai dengan bahasa yang diinginkan.
- Asisten Virtual: Jaringan syaraf digunakan pada asisten virtual, seperti Siri atau Alexa, untuk memahami dan menjawab pertanyaan dalam bahasa alami. Algoritma pembelajaran mesin pada asisten virtual menggunakan jaringan syaraf untuk mempelajari pola-pola dari data suara dan teks. Cara kerjanya adalah dengan memproses data suara atau teks dari pengguna dan menghasilkan respons yang sesuai.
- Pengenalan Tulisan Tangan: Jaringan syaraf digunakan pada aplikasi pengenalan tulisan tangan untuk mengenali karakter tulisan tangan manusia. Algoritma pembelajaran mesin pada pengenalan tulisan tangan menggunakan jaringan syaraf untuk mempelajari pola-pola karakteristik dari tulisan tangan. Cara kerjanya adalah dengan memproses gambar tulisan tangan dan menghasilkan karakter yang sesuai.
- Chatbot: Jaringan syaraf pada Chatbot mempelajari pola-pola dari data teks yang dimasukkan oleh pengguna dan memprosesnya untuk menghasilkan respons yang sesuai. Ini bekerja dengan cara memproses data teks yang dimasukkan oleh pengguna, seperti pertanyaan atau perintah, dan menghasilkan respons yang sesuai.
Selain dari beberapa contoh diatas, masih ada banyak lagi implementasi produk jaringan syaraf buatan. Di masa depan, ini akan terus berkembang dan akan menciptakan produk-produk baru untuk membantu pekerjaan umat manusia.
Kesimpulan
Ilmu biologi berperan penting dalam perkembangan AI saat ini. Cara kerja sistem syaraf manusia yang disederhanakan memberikan titik awal terbentuknya model jaringan syaraf buatan. Jaringan syaraf buatan bekerja dengan mempelajari pola-pola dari data, menghitung bobot pada setiap neuron, dan memproses informasi melalui serangkaian lapisan untuk menghasilkan output yang diinginkan. Jaringan syaraf buatan ini lah yang menjadi faktor terbesar di balik perkembangan dan munculnya produk-produk AI (Artificial Intelligence) seperti pengenalan wajah, chatbot generasi terbaru (ChatGPT), kendaraan otonom, asisten virtual, dan penerjemah bahasa.
Refrensi:
[1] Buchholz, K. (2023, January 24). Infographic: ChatGPT Sprints to One Million Users. Statista Infographics. https://www.statista.com/chart/29174/time-to-one-million-users
[2] McCulloch, W.S., Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5, 115–133.
[3] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning Internal Representations by Error Propagation. Readings in Cognitive Science: A Perspective from Psychology and Artificial Intelligence, V, 399–421.
[4] Bishop, C. M. (1994). Neural networks and their applications. Review of Scientific Instruments, 65(6), 1803–1832.
[5] Urry, A., M.L. Cain, S.A. Wasserman, P.V. Minorsky, R.B. Orr, & N.A. Campbell. 2020. Campbell Biology, Edisi Kedua Belas. Pearson. New York.
artikel blog yang bermanfaat, terima kasih. Teknologi di era digital yang berkembang dapat dimanfaatkan oleh masyarakat seluruh kalangan. VR Museum atau museum virtual reality merupakan satu jasa teknologi yang dapat dinikmati dan digunakan di berbagai bidang.