Cara Kerja Jaringan Saraf: Teknologi di Balik ChatGPT dan AI Modern

Jaringan saraf bukanlah hal baru — peneliti telah mempelajarinya sejak pertengahan abad kedua puluh — tetapi sekarang mereka berada di balik sebagian besar produk AI konsumen yang digunakan secara luas dalam kehidupan sehari-hari. OpenAI mengatakan pada acara DevDay-nya pada 29 September 2026 bahwa ChatGPT telah mencapai 1,2 miliar pengguna mingguan, menurut liveblog acara tersebut oleh Engadget. Skala adopsi ini telah mendorong pertanyaan teknis dasar kembali ke bagian atas hasil pencarian: bagaimana cara kerja jaringan saraf yang sebenarnya?

Blok bangunan dasar: neuron, bobot, dan lapisan

Menurut IBM, jaringan saraf adalah model pembelajaran mesin yang dibangun dari unit sederhana yang disebut neuron, diatur dalam lapisan, yang mempelajari bobot dan bias yang dapat disesuaikan dari data untuk memetakan input ke output. Setiap jaringan memiliki lapisan input yang menyimpan data mentah, satu atau lebih lapisan tersembunyi yang mengubahnya, dan lapisan output yang menghasilkan hasil akhir, menurut IBM.

Setiap koneksi antara neuron membawa bobot — angka yang, menurut IBM, berfungsi seperti tombol yang mengontrol seberapa kuat fitur input tertentu mempengaruhi keputusan jaringan. Nilai terpisah yang disebut bias ditambahkan ke setiap neuron sehingga dapat diaktifkan bahkan ketika inputnya lemah, menggeser ambang keputusan. Kursus Machine Learning Crash Course Google menambahkan bahan ketiga yang diperlukan: fungsi aktivasi, langkah matematika nonlinear yang diterapkan setelah input berbobot dijumlahkan, yang memungkinkan jaringan mendeteksi pola yang tidak dapat ditangkap oleh rumus garis lurus sederhana.

Propagasi maju: bagaimana jaringan menghasilkan jawaban

Ketika jaringan saraf diberi data baru, data itu bergerak melalui jaringan dalam satu arah, dari lapisan input ke lapisan output, dalam apa yang IBM dan kursus Google sebut propagasi maju (atau paspas maju). Di setiap neuron, nilai masuk dikalikan dengan bobotnya, dijumlahkan bersama bias, dan dilewatkan melalui fungsi aktivasi sebelum bergerak ke lapisan berikutnya. IBM mencatat bahwa lapisan awal dalam jaringan cenderung memproses pentingnya sinyal individual, sementara lapisan kemudian menggabungkan informasi itu menjadi pola tingkat tinggi yang menangkap konteks yang lebih luas.

Propagasi mundur: bagaimana jaringan belajar dari kesalahannya

Jaringan saraf yang baru dibangun dimulai dengan bobot yang pada dasarnya acak dan menghasilkan prediksi yang buruk. Pelatihan adalah proses memperbaiki itu. IBM menggambarkan backpropagation sebagai algoritma yang menyebarkan kesalahan prediksi jaringan ke belakang melalui lapisan, menggunakan aturan rantai kalkulus untuk menghitung berapa banyak setiap bobot dan bias individual berkontribusi pada kesalahan keseluruhan. Kursus Google juga mengidentifikasi backpropagation sebagai algoritma pelatihan inti, menggambarkan tujuannya sebagai penyesuaian bobot untuk mengurangi atau meminimalkan kerugian prediksi jaringan.

Setelah kontribusi setiap bobot terhadap kesalahan diketahui, metode optimasi yang disebut gradient descent mendorong setiap bobot sedikit demi sedikit ke arah yang mengurangi kesalahan. Siklus paspas-maju-kemudian-koreksi-mundur ini diulangi di seluruh jumlah besar data pelatihan — sering kali jutaan atau miliaran contoh — hingga prediksi jaringan menjadi cukup dapat diandalkan untuk penggunaan praktis.

Desain jaringan berbeda untuk jenis data berbeda

Tidak setiap jaringan saraf dibangun dengan cara yang sama. IBM mengidentifikasi tiga keluarga besar yang banyak digunakan saat ini: jaringan saraf konvolusional (CNN), dirancang untuk data seperti kisi seperti gambar dan digunakan banyak dalam pengenalan visual; jaringan saraf berulang (RNN), yang mencakup loop umpan balik yang sesuai untuk data sekuensial atau deret waktu; dan transformer, arsitektur di balik sebagian besar model bahasa besar saat ini, yang mengandalkan mekanisme perhatian daripada pengurutanpertahanan langkah demi langkah yang ketat.

Bagaimana ini diskalakan ke sistem seperti ChatGPT

Model bahasa besar seperti keluarga GPT menerapkan mekanik inti yang sama — neuron berbobot, lapisan, propagasi maju, backpropagation — pada skala yang jauh lebih besar, menggunakan arsitektur transformer. Makalah penelitian OpenAI sendiri tentang GPT-3 pada 2020, dipublikasikan di arXiv, menyatakan model memiliki tepat 175 miliar parameter, menggambarkannya sebagai 10 kali lebih banyak dari model bahasa non-sparse sebelumnya mana pun. Parameter adalah istilah umum untuk set lengkap bobot dan bias jaringan; parameter yang lebih banyak umumnya memungkinkan model menangkap pola yang lebih kompleks dalam bahasa, meskipun OpenAI belum mempublikasikan angka parameter yang setara untuk model-model terbarunya.

Dalam transformer, mekanisme yang disebut self-attention memungkinkan model untuk menimbang seberapa relevan setiap kata lain dalam suatu bagian dengan kata yang sedang diproses saat ini, daripada membaca secara ketat dari kiri ke kanan. Desain ini, pertama kali diperkenalkan dalam penelitian transformer dan sekarang standar di seluruh model bahasa utama, adalah apa yang memungkinkan sistem seperti ChatGPT melacak konteks di seluruh percakapan yang panjang.

Mengapa ini penting sekarang

Matematika dasar neuron, bobot, dan backpropagation telah ada selama puluhan tahun, tetapi kombinasi kumpulan data yang lebih besar, lebih banyak kekuatan komputasi, dan arsitektur transformer adalah apa yang mengubah jaringan saraf dari alat penelitian khusus menjadi mesin di balik produk konsumen yang digunakan oleh lebih dari satu miliar orang per minggu, menurut angka September 2026 OpenAI sendiri yang dilaporkan oleh Engadget. Memahami siklus dasar paspas-maju-dan-koreksi yang dijelaskan oleh IBM dan Google tidak memerlukan matematika tingkat lanjut, tetapi itu menjelaskan mengapa sistem ini membutuhkan jumlah besar data pelatihan dan kekuatan komputasi, dan mengapa hasilnya adalah prediksi statistik daripada fakta yang dijamin.