Part 1: Machine Learning vs. Deep Learning

Evolusi Kecerdasan Buatan

🧬 Hirarki AI

Deep Learning bukanlah sesuatu yang terpisah, melainkan bagian spesifik dari Machine Learning, yang juga bagian dari Artificial Intelligence.

Artificial Intelligence

Machine Learning

Deep Learning

Inilah alasan utama kenapa Deep Learning mendominasi bidang persepsi (gambar, suara, teks).

Classical Machine Learning

Manual Feature Extraction

Manusia harus memberitahu komputer fitur apa yang harus dilihat.

Contoh (Deteksi Mobil):

Input $\rightarrow$ Manusia pilih fitur $\rightarrow$ Klasifikasi $\rightarrow$ Output

Deep Learning

Automatic Feature Extraction

Komputer belajar sendiri fitur apa yang penting.

Contoh:

Input $\rightarrow$ End-to-End Learning $\rightarrow$ Output

Deep learning disebut "Deep" karena ia membangun representasi bertingkat (hierarkis). Secara matematis, ini adalah komposisi fungsi.

$$y = f(x)$$

Hanya memetakan input $x$ langsung ke output $y$.

$$y = f_n(...f_2(f_1(x)))$$

Memetakan input $x$ melalui banyak lapisan fungsi $f_1, f_2, \dots$ sebelum menjadi output $y$.

Setiap fungsi $f_i$ biasanya berbentuk: $$ f_i(x) = \sigma(Wx + b) $$ Dimana:

$W$ (Weight): Kekuatan koneksi (seperti sinapsis otak).
$b$ (Bias): Ambang batas aktivasi.
$\sigma$ (Activation Function): Non-linearitas (menentukan apakah neuron "menembak" atau tidak).

Faktor	Machine Learning	Deep Learning
Data	Bisa bekerja dengan data sedikit (ribuan).	Butuh data masif (jutaan) untuk performa optimal.
Hardware	CPU standar cukup.	Wajib GPU (Parallel Processing) untuk operasi matriks.
Waktu Training	Cepat (Menit/Jam).	Lama (Hari/Minggu).
Interpretability	Mudah dijelaskan (White box).	Sulit dijelaskan (Black box).

Setelah memahami "Kenapa", kita akan masuk ke "Apa".