Kelebihan dan Keterbatasan Deep Learning

Keputusan memakai deep learning sebaiknya diambil dengan cara yang sama seperti keputusan teknis lain: menimbang manfaat melawan biaya secara jujur. Setiap kelebihan deep learning datang bersama harga yang menyertainya — representasi otomatis dibayar dengan data berlabel, akurasi tinggi dibayar dengan komputasi. Chapter ini menimbang kedua sisi tersebut secara berimbang, memverifikasi klaim kebutuhan data deep learning lewat eksperimen kecil yang dapat dijalankan, lalu merangkumnya dalam tabel keputusan untuk latihan memilih pendekatan.

Kelebihan Utama #

Tiga kelebihan menjelaskan dominasi deep learning pada data tidak terstruktur. Pertama, representasi dipelajari otomatis: model menyusun sendiri fitur bertingkat dari data mentah, sehingga tim tidak lagi bergantung pada kecermatan feature engineering — eksperimen fitur 36 persen lawan piksel 96 persen pada Chapter kedua adalah buktinya. Kedua, akurasi pada data besar: performa deep learning terus meningkat ketika data dan ukuran model bertambah, sementara model klasik cenderung cepat mencapai batas. Ketiga, fleksibilitas lintas domain: lewat transfer learning, model yang telah dilatih pada dataset raksasa dapat disesuaikan untuk tugas baru dengan data yang jauh lebih sedikit.

Klaim “makin banyak data, makin akurat” tidak perlu diterima begitu saja. Eksperimen berikut melatih neural network kecil dari scikit-learn (MLPClassifier ) pada dataset digits dengan jumlah contoh latih yang dinaikkan bertahap, lalu mengukur akurasinya pada data uji yang sama.

"""Pengaruh jumlah data latih pada akurasi neural network.

Model kecil dilatih dengan 10, 50, 200, lalu 1347 contoh.
Akurasi pada data uji naik seiring jumlah data bertambah.
"""

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier

fitur, label = load_digits(return_X_y=True)
latih, uji, label_latih, label_uji = train_test_split(
    fitur, label, test_size=0.25, random_state=42, stratify=label
)

print("Jumlah data latih -> akurasi pada data uji")
for jumlah in (10, 50, 200, 1347):
    # Latih neural network kecil (satu hidden layer, 32 unit)
    model = MLPClassifier(
        hidden_layer_sizes=(32,),
        solver="lbfgs",
        max_iter=500,
        random_state=42,
    )
    model.fit(latih[:jumlah], label_latih[:jumlah])
    akurasi = model.score(uji, label_uji)
    print(f"{jumlah:5d} contoh      -> {akurasi:.3f}")

Output yang Dihasilkan:

Jumlah data latih -> akurasi pada data uji
   10 contoh      -> 0.322
   50 contoh      -> 0.753
  200 contoh      -> 0.884
 1347 contoh      -> 0.964

Pola pada keluaran tersebut khas untuk deep learning. Dengan sepuluh contoh, akurasi model hanya 32,2 persen — nyaris tak berguna. Lima puluh contoh melonjakkannya ke 75,3 persen, dan penambahan berikutnya terus mendongkrak hingga 96,4 persen. Model yang lebih besar menunjukkan pola sama pada skala jauh lebih besar: kebutuhan datanya bisa mencapai jutaan contoh untuk tugas dunia nyata. Mari kita telaah kodenya:

1. Baris 11-14: memuat dataset digits dan membaginya sekali saja; data uji tetap sama untuk seluruh pengukuran agar perbandingannya adil.
2. Baris 17: melakukan empat putaran pelatihan dengan jumlah contoh latih 10, 50, 200, dan 1347 (seluruh data latih).
3. Baris 19-24: membangun neural network kecil dengan satu hidden layer berisi 32 unit; solver="lbfgs" dipilih karena cepat dan stabil untuk dataset kecil, random_state=42 menjaga hasil konsisten.
4. Baris 25-27: melatih model hanya pada jumlah contoh pertama, lalu mencetak akurasinya pada data uji.

Keterbatasan yang Perlu Dihitung #

Empat keterbatasan utama deep learning perlu masuk dalam perhitungan sejak awal perancangan. Pertama, kebutuhan data berlabel yang besar. Data mentah memang melimpah, tetapi labelnya harus dikerjakan manusia — dan di situlah biayanya menumpuk. Kedua, biaya komputasi. Training model besar membutuhkan GPU atau TPU selama berjam-jam hingga berminggu-minggu, ditambah biaya energi; biaya inferensi juga terus berjalan saat model dipakai di produksi. Ketiga, interpretabilitas rendah. Model dengan jutaan hingga miliaran parameter sulit dijelaskan alasan keputusannya, sehingga domain yang mensyaratkan audit seperti keuangan dan kedokteran memerlukan alat penjelas tambahan. Keempat, bias diwarisi dari data. Model belajar apa pun yang ada pada data latih, termasuk ketimpangan perwakilan; data wajah yang timpang antar kelompok menghasilkan pengenalan wajah yang akurasinya timpang pula, dengan dampak nyata pada penggunanya.

Tabel Keputusan: Manfaat dan Harganya #

Setiap manfaat pada kolom kiri berkaitan langsung dengan biaya pada kolom kanan:

Tabel ini bukan alasan untuk menjauhi deep learning, melainkan alat menakar kesiapan. Ketika data berlabel dan komputasi tersedia, manfaat kolom kiri sulit ditandingi model klasik. Ketika keduanya terbatas, model klasik atau pendekatan campuran kerap menjadi keputusan yang lebih sehat — dan tetap benar secara teknis.

Kelebihan, keterbatasan, dan harganya kini terpetakan. Jika kita memutuskan melanjutkan perjalanan deep learning — dan Course ini memang ditujukan untuk itu — langkah berikutnya adalah mengenal perkakas kerjanya: framework, pustaka pendukung, dan perangkat komputasi yang akan menemani kita dari bab matematika hingga deployment. Chapter penutup section ini memetakan ekosistem tersebut.