Deep Learning

Deep Learning (DL) adalah cabang Machine Learning yang terinspirasi dari cara kerja otak manusia. Model DL menggunakan neural network dengan banyak lapisan tersembunyi untuk secara otomatis mempelajari representasi fitur dari data mentah.

Deep Learning vs Machine Learning

Aspek	Machine Learning	Deep Learning
Feature engineering	Manual oleh manusia	Otomatis oleh model
Data yang dibutuhkan	Ribuan sampel	Jutaan sampel
Hardware	CPU sudah cukup	Butuh GPU/TPU
Interpretabilitas	Lebih mudah (tree, linear)	Black box, sulit dijelaskan
Performa pada data terstruktur	Sangat baik (XGBoost)	Tidak selalu lebih baik
Performa pada gambar/teks/audio	Terbatas	State-of-the-art

Arsitektur Deep Learning Utama

CNN (Convolutional Neural Network)

Didesain untuk data spasial seperti gambar:

• Layer konvolusi untuk mendeteksi fitur lokal (tepi, tekstur, bentuk)
• Pooling layer untuk reduksi dimensi
• Use case: klasifikasi gambar, deteksi objek, OCR

RNN (Recurrent Neural Network) & LSTM

Didesain untuk data sekuensial seperti teks dan time series:

• Memiliki memori internal untuk menyimpan konteks sebelumnya
• LSTM mengatasi masalah vanishing gradient pada RNN biasa
• Use case: NLP, prediksi time series, speech recognition

Transformer

Arsitektur modern yang mendominasi NLP:

• Menggunakan mekanisme attention untuk memahami konteks seluruh sekuens
• Basis dari BERT, GPT, dan semua LLM modern