Bagaimana Jaringan Saraf dan Pembelajaran Mendalam Memungkinkan Sistem AI Belajar dan Membuat Keputusan

Apa Itu Jaringan Saraf Sebenarnya

Menurut IBM, jaringan saraf adalah model pembelajaran mesin yang dibangun dari unit pemrosesan sederhana yang disebut neuron, disusun dalam lapisan, yang mempelajari bobot dan bias pengakuan pola dari data untuk memetakan input ke output. Setiap jaringan memiliki lapisan input yang menerima data mentah, satu atau lebih lapisan tersembunyi yang mengubah data tersebut, dan lapisan output yang menghasilkan hasil akhir, seperti label atau prediksi.

Setiap neuron mengalikan nilai inkomingnya dengan angka yang disebut bobot, menambahkan istilah bias, dan melewatkan hasilnya melalui fungsi aktivasi non-linear. IBM membandingkan bobot dengan tombol putar yang mengatur seberapa besar pengaruh setiap input pada hasil, sementara bias menyesuaikan titik di mana neuron menjadi aktif.

Bagaimana Pelatihan Bekerja: Penerusan dan Mundur

MIT News melacak gagasan kembali ke 1944, ketika Warren McCullough dan Walter Pitts, yang kemudian pindah ke MIT, pertama kali mengusulkan konsep node pemrosesan yang saling terhubung. Dalam desain asli, setiap node menjumlahkan input tertimbangnya dan 'menembak' jika jumlah melewati ambang, mengirimkan sinyal ke lapisan berikutnya dalam apa yang MIT sebut arsitektur feed-forward.

Pelatihan dimulai dengan bobot acak. IBM menjelaskan bahwa jaringan pertama-tama menjalankan langkah 'forward propagation', melewatkan data input melalui lapisan untuk menghasilkan prediksi. Fungsi kerugian kemudian mengukur kesenjangan antara prediksi itu dan jawaban yang benar, menggunakan rumus seperti kesalahan kuadrat rata-rata untuk prediksi numerik atau cross-entropy untuk tugas klasifikasi, menurut IBM.

Jaringan kemudian menjalankan 'backpropagation', menghitung lapisan demi lapisan berapa banyak setiap bobot individual berkontribusi pada kesalahan, menggunakan aturan kalkulus yang disebut aturan rantai. Langkah optimasi yang disebut gradient descent kemudian menggunakan perhitungan tersebut untuk mendorong setiap bobot sedikit demi sedikit dalam arah yang mengurangi kesalahan. Mengulangi siklus ini ribuan atau jutaan kali di seluruh contoh pelatihan adalah apa yang dijelaskan IBM dan MIT sebagai bagaimana jaringan 'belajar'.

Mengapa Pembelajaran Mendalam Berkembang Pesat

'Pembelajaran mendalam' mengacu pada jaringan dengan banyak lapisan tersembunyi yang ditumpuk daripada hanya satu. MIT News mencatat bahwa jaringan satu lapisan dari tahun 1960-an telah digantikan oleh jaringan modern dengan 10 hingga 50 lapisan atau lebih. Menurut MIT News, momentum penelitian runtuh setelah Marvin Minsky dan Seymour Papert dari MIT menerbitkan buku tahun 1969 yang menunjukkan keterbatasan jaringan satu lapisan, dan hanya sebagian pulih pada tahun 1980-an sebelum penurunan kedua di awal tahun 2000-an.

Kebangkitan modern bidang ini, yang MIT kendalikan sekitar 2010, didorong oleh unit pemrosesan grafis (GPU) yang awalnya dibangun untuk video game, yang membuat praktis menjalankan sejumlah besar perhitungan yang diperlukan jaringan mendalam. IBM menambahkan bahwa kekuatan komputasi ini, dikombinasikan dengan dataset yang jauh lebih besar, memungkinkan parameter dalam model besar saat ini untuk menjumlahkan miliaran.

Masalah 'Kotak Hitam': Mengapa Keputusan Sulit Dijelaskan

Bahkan jaringan yang terlatih sepenuhnya pun sulit untuk ditafsirkan. MIT News menyatakan bahwa setelah pelatihan, sering kali tidak jelas apa yang sebenarnya diwakili pengaturan bobot akhir, atau fitur gambar mana yang bergantung pada sistem terlatih dan bagaimana menggabungkannya. Opasitas ini, kadang-kadang disebut masalah 'kotak hitam', berbeda dengan cara jaringan dibangun—masalahnya adalah memahami mengapa jaringan terlatih tertentu menghasilkan keputusan tertentu.

Mengapa Penjelasan Ini Penting Sekarang

Mekanika di atas duduk di belakang ekspansi cepat penggunaan AI sehari-hari. Laporan Indeks AI HAI 2026 Stanford menemukan bahwa adopsi AI generatif organisasi mencapai 88% pada tahun 2025, dan bahwa AI generatif mencapai 53% adopsi tingkat populasi dalam tiga tahun sejak pengenalan pasar masalnya—yang dilaporkan lebih cepat daripada komputer pribadi atau internet mencapai tingkat yang sama. Laporan yang sama menempatkan investasi AI swasta AS pada 2025 di $285,9 miliar, lebih dari 23 kali $12,4 miliar yang diinvestasikan di China tahun itu.

Laporan Stanford juga menemukan bahwa kinerja model AI pada benchmark coding seperti SWE-bench Verified meningkat dari kira-kira 60% menjadi hampir 100% dalam satu tahun, dan bahwa beberapa model sekarang memenuhi atau melebihi baseline manusia pada pertanyaan sains tingkat PhD dan matematika kompetisi. Tidak ada keuntungan kemampuan yang mengubah mekanika yang mendasari yang dijelaskan di atas—koneksi tertimbang disesuaikan melalui backpropagation dan gradient descent—hanya skala yang diterapkan.