[Artificial Intelgence Sebuah Inovasi Baru Menjual Produk
(Membandingkan Keunggulan FB, Wa, Instagram, Telegram
dan Youtube)]
Untuk memahami beberapa konsep yang lebih dalam, seperti pengelolaan data, pemrosesan
bahasa alami (NLP) (Kulkarni et al., 2017; Lalwani et al., 2018), dan pengelolaan perangkat
lunak, Anda perlu mengetahui tiga konsep dasar dari Artificial Intelligence AI yaitu pembelajaran
mesin (Machine Learning), pembelajaran mendalam (Deep Learning), dan jaringan saraf tiruan
(Neural Network). AI biasanya dianggap sebagai istilah yang lebih luas, sedangkan pembelajaran
mesin dan dua konsep AI lainnya merupakan bagian dari itu. Saat ini mungkin tanpa sadar kita
sudah berinteraksi dengan beberapa bentuk kecerdasan buatan dalam aktivitas sehari-hari
(Ahmad, 2017). Misalnya saja jika Anda menggunakan Gmail, Anda dapat menikmati fitur
penyaringan email otomatis atau jika Anda memiliki ponsel cerdas, Anda mungkin bisa mengisi
kalender dengan bantuan Siri. Meskipun perangkat lunak ini sangat membantu, perangkat tersebut
tidak memiliki kemampuan untuk belajar secara mandiri. Hal itu dikarenakan perangkat tadi tidak
bisa berpikir di luar kode yang sudah diberikan kepada mereka.
Pembelajara mesin adalah cabang dari AI yang bertujuan untuk memberikan mesin
kemampuan dalam mempelajari tugas tanpa kode yang sudah ada. Dalam istilah yang paling
sederhana, mesin tersebut akan diberikan contoh uji coba dalam jumlah yang besar untuk tugas
tertentu. Ketika mesin tadi menjalani uji coba, mesin itu akan belajar dan mengadaptasi strategi
yang sesuai untuk mencapai tujuan yang diinginkan. Misalnya, mesin pengenal gambar dapat
diberikan jutaan gambar untuk dianalisis. Setelah melalui permutasian yang panjang, mesin akan
memperoleh kemampuan untuk mengenali pola, bentuk, wajah, dan masih banyak lagi.
Pembelajaran mendalam adalah teknik pembelajaran mesin yang mengajarkan komputer untuk
melakukan apa yang secara alami terjadi pada manusia: belajar dengan cara mencontoh.
Pembelajaran mendalam adalah teknologi utama di balik mobil tanpa kemudi (driveless car). Itu
memungkinkan mereka untuk mengenali tanda berhenti, atau untuk membedakan pejalan kaki
dengan tiang lampu. Ini adalah kunci dari kontrol suara di perangkat konsumen seperti ponsel,
tablet, TV, dan speaker hands-free. Pembelajaran mendalam mendapatkan banyak perhatian
belakangan ini karena dapat mencapai hasil yang sebelumnya tidak mungkin. Dalam deep
learning, model komputer belajar untuk melakukan tugas klasifikasi langsung dari gambar, teks,
atau suara. Model pembelajaran yang mendalam dapat mencapai akurasi yang canggih, terkadang
melebihi kinerja tingkat manusia (LeCun et al., 2015). Model dilatih dengan menggunakan set
besar data berlabel dan arsitektur jaringan saraf yang berisi banyak lapisan. Neural Network atau
juga disebut sebagai jaringan saraf tiruan adalah berbagai teknologi pembelajaran yang
mendalam, yang juga berada di bawah naungan kecerdasan buatan atau AI. Neural Network
adalah paradigma pemrosesan informasi yang terinspirasi dari cara sistem saraf biologis, seperti
otak yang memproses informasi. Kunci elemen dari paradigma ini adalah struktur novel dari
sistem pemrosesan informasi (Crawford, 1997; Hartanto & Martina, 2013; Miner et al., 2012).
Neural Network dikonfigurasikan untuk aplikasi tertentu, seperti pengenalan pola atau
klasifikasi data melalui proses pembelajaran. Jaringan ini terdiri dari sejumlah besar elemen
pemrosesan yang sangat saling berhubungan (neuron) yang bekerja bersama untuk memecahkan
masalah tertentu (Melita et al., 2018). Aplikasi komersial dari teknologi ini umumnya berfokus
pada penyelesaian pemrosesan sinyal yang kompleks atau masalah pengenalan pola
(Kusumadewi, 2003). Contoh aplikasi komersial yang signifikan sejak tahun 2000 meliputi
pengenalan tulisan tangan untuk pemrosesan cek, transkripsi ucapan menjadi sebuah teks, analisis
data, dan prediksi cuaca dan pengenalan wajah (Asiyah & Fithriasari, 2016).
Jaringan saraf tiruan ini terinspirasi oleh hal-hal yang kita temukan dalam biologi kita
sebagai manusia. Cara Neural Network memahami sesuatu sama seperti manusia yaitu belajar
dengan cara mencontoh. Model jaringan saraf menggunakan prinsip matematika dan ilmu
komputer untuk meniru proses otak manusia. Jaringan saraf tiruan mencoba mensimulasikan
proses sel-sel otak yang saling berhubungan erat, tetapi bukannya dibangun dari biologi, neuron-
neuron ini dibangun dari kode atau biasa disebut node.