THINK UNLIMITED
WE LEARN FOR THE FUTURE
INTRODUCTION TO
ARTIFICIAL
INTELLIGENCE
DEEP LEARNING
(TEAM 4)
DEEP LEARNING
Deep Learning adalah cabang dari machine
learning yang menggunakan jaringan saraf
tiruan (artificial neural networks) dengan
banyak lapisan (deep neural networks) untuk
mempelajari pola dari data dalam jumlah besar.
Semakin banyak lapisan, semakin “dalam”
kemampuan model memahami informasi
kompleks.
DEEP LEARNING
TERDIRI ATAS:
01 02 03
NEUTRAL NETWORK HIDEEN LAYERS ACTIVATION FUNCTION
Struktur yang meniru neuron otak Lapisa-lapisan di antara input dan Mekanisme yang membantu jaringan
untuk memproses informasi output yang belajar mengenali pola memehami pola non-linear seperti
dari data bentuk wajah atau suara
04 05
TRAINING & DATASET BACKPROPAGATION
Deep learning membutuhkan data Proses memperbaiki kesalahan
yang sangat banyak, kemudian model model selama pelatihan agar hasilnya
dilatih agar semakin akurat terus membaik
CARA KERJA
Cara kerja deep learning terinspirasi dari cara kerja otak manusia, terutama
neuron-neuron yang saling terhubung. Prosesnya terdiri dari beberapa tahap
1. Input data masuk ke jaringan (misalnya gambar,
suara, atau teks).
2. Setiap lapisan neuron melakukan perhitungan
sederhana (perkalian, penjumlahan, aktivasi).
3. Lapisan demi lapisan mengekstrak pola:
Lapisan awal: pola sederhana (tepi, warna, bentuk
dasar).
Lapisan tengah: pola lebih kompleks (wajah, objek).
Lapisan akhir: keputusan (misalnya mengenali kucing
vs anjing).
4. Jaringan belajar dari kesalahan (error) dan
memperbaiki bobot melalui proses backpropagation.
CONTOH PENGGUNAAN
DEEP LEARNING:
Face recognition
Self-driving car
(mendeteksi rambu, jalur, pejalan)
ChatGPT dan virtual assistant
Diagnosis medis dari X-ray/CT scan
Voice recognition
(Siri, Google Assistant)
PENERAPAN DAN
INTEGRASI
PERSIAPAN DATA PENGEMBANGAN MODEL EVALUASI MODEL
Mengumpulkan data Memilih arsitektur Menguji model dengan
dan memberishkan deep learning (CNN, data validasi.
data RNN, dll.). Menilai akurasi, presisi,
menjamin kualitas Menyetel dan recall.
data hyperparameter.
Memberi label / Melatih dan
anotasi pada data memvalidasi model.
(gambar, teks, suara).
CONSIDERATION AND FUTURE
Deep Learning Challenge
Data yang Banyak: Membutuhkan dataset yang
sangat besar dan berlabel.
Kebutuhan Komputasi Tinggi: Memerlukan GPU
yang mahal.
Black Box Problem: Sulit menjelaskan tentang
pengambilan keputusan tertentu.
Bias dalam Data: Model dapat mewarisi bias yang
ada di data pelatihan.
Deep Learning Future
AI Generatif yang lebih canggih.
AI yang lebih sedikit bergantung pada data
(Few-Shot/Zero-Shot Learning).
Explainable AI (XAI) untuk mengatasi masalah
black box.
Integrasi yang lebih dalam di berbagai industri
(kesehatan, iklim, pendidikan).
KELEBIHAN DAN KEKURANGAN DEEP LEARNING
KELEBIHAN KEKURANGAN
✔️ Mampu mempelajari pola sangat kompleks ❌ Butuh data sangat banyak
✔️ Akurasi tinggi pada data besar ❌ Membutuhkan GPU/komputasi besar
✔️ Minim rekayasa fitur (automatic feature ❌ Proses training lama
extraction) ❌ Sulit dijelaskan (black box)
✔️ Bisa digunakan untuk berbagai jenis data ❌ Risiko overfitting jika tidak ditangani dengan baik
Thank you !