Matematika di Balik Kecerdasan Buatan: Aljabar Linear hingga Peluang

Kecerdasan buatan (AI) sering terdengar seperti sihir: aplikasi yang bisa mengenali wajah, menerjemahkan bahasa, atau menulis esai. Di balik semua itu, AI modern sebagian besar adalah matematika yang dijalankan pada data dalam jumlah sangat besar. Kabar baiknya, konsep-konsep intinya bisa dipahami dengan matematika SMA dan tahun-tahun awal kuliah.

Artikel ini memperkenalkan tiga pilar matematika di balik AI — aljabar linear, kalkulus, serta peluang dan statistika — lengkap dengan contoh hitungan kecil yang bisa kamu ikuti, lalu menutup dengan jalur belajar yang realistis.

Tiga pilar matematika AI

Pilar 1: data sebagai vektor dan matriks

Komputer tidak memahami rumah, gambar, atau kata secara langsung. Semuanya diubah menjadi daftar bilangan — vektor.

• Sebuah rumah bisa ditulis sebagai vektor $(\text{luas}, \text{jumlah kamar}, \text{jarak ke kota})$, misalnya $(120, 3, 8)$.
• Gambar hitam-putih berukuran $28 \times 28$ piksel menjadi vektor berisi $784$ bilangan.
• Kata pun bisa diwakili vektor, sehingga kata-kata yang maknanya mirip letaknya berdekatan.

Mengukur kemiripan dengan sudut antarvektor

Seberapa mirip dua vektor? AI sering memakai kesamaan kosinus, yaitu kosinus sudut di antara keduanya:

$$\cos \theta = \frac{\vec{a} \cdot \vec{b}}{\lVert \vec{a} \rVert \, \lVert \vec{b} \rVert}$$

Untuk $\vec{a} = (1, 2)$ dan $\vec{b} = (2, 3)$: hasil kali titiknya $1 \cdot 2 + 2 \cdot 3 = 8$, panjangnya $\sqrt{5}$ dan $\sqrt{13}$, sehingga $\cos \theta = \frac{8}{\sqrt{65}} \approx 0{,}99$. Nilainya hampir 1, artinya kedua vektor menunjuk ke arah yang hampir sama. Inilah dasar mesin pencari dan sistem rekomendasi menemukan "yang mirip".

Jaringan saraf: perkalian matriks yang ditumpuk

Jaringan saraf tiruan tersusun atas lapisan-lapisan "neuron". Setiap lapisan melakukan dua hal: mengalikan masukan dengan matriks bobot, lalu menerapkan fungsi aktivasi.

$$\vec{a} = \sigma\!\left(W\vec{x} + \vec{b}\right)$$

Contoh kecil. Misalkan masukan $\vec{x} = (2, 1)$, bobot $W = \begin{pmatrix} 0{,}5 & -1 \\ 1 & 1 \end{pmatrix}$, bias $\vec{b} = (0, -1)$, dan fungsi aktivasi ReLU (bilangan negatif diubah menjadi 0).

$$W\vec{x} = \begin{pmatrix} 0{,}5 \cdot 2 - 1 \cdot 1 \\ 1 \cdot 2 + 1 \cdot 1 \end{pmatrix} = \begin{pmatrix} 0 \\ 3 \end{pmatrix}, \qquad W\vec{x} + \vec{b} = \begin{pmatrix} 0 \\ 2 \end{pmatrix}$$

Setelah ReLU, keluarannya $(0, 2)$. Model bahasa besar melakukan perhitungan seperti ini miliaran kali — dengan matriks yang jauh lebih besar — itulah sebabnya AI membutuhkan perangkat keras khusus untuk perkalian matriks.

Pilar 2: kalkulus membuat model belajar

Model AI awalnya memiliki bobot acak dan jawabannya kacau. "Belajar" berarti mengubah bobot sedikit demi sedikit agar galat — selisih antara tebakan model dan jawaban sebenarnya — makin kecil. Galat ini diukur dengan fungsi galat (loss function), misalnya rata-rata kuadrat selisih.

Bagaimana tahu ke arah mana bobot harus diubah? Dengan turunan. Turunan fungsi galat terhadap setiap bobot (kumpulannya disebut gradien) menunjuk ke arah galat naik paling cepat. Maka kita melangkah ke arah sebaliknya:

$$w_{\text{baru}} = w_{\text{lama}} - \eta \cdot \frac{\partial L}{\partial w}$$

dengan $\eta$ (eta) disebut laju belajar (learning rate). Proses ini disebut gradient descent — menuruni lembah galat selangkah demi selangkah.

Contoh hitungan gradient descent

Misalkan galatnya $L(w) = (w - 3)^2$, sehingga bobot terbaik jelas $w = 3$. Turunannya $L'(w) = 2(w - 3)$. Mulai dari $w = 0$ dengan laju belajar $\eta = 0{,}25$:

Setiap langkah memangkas setengah jarak ke 3. Bagaimana jika laju belajarnya terlalu besar, misalnya $\eta = 1{,}1$? Dari $w = 0$ kita melompat ke $6{,}6$, lalu ke $-1{,}32$, lalu makin jauh — model gagal belajar karena selalu melompati dasar lembah. Memilih laju belajar yang tepat adalah salah satu keterampilan penting dalam melatih model.

Aturan rantai di balik backpropagation

Pada jaringan saraf berlapis, galat bergantung pada bobot melalui banyak fungsi bertumpuk. Untuk menghitung turunannya, dipakai aturan rantai dari kalkulus — persis aturan yang dipelajari di SMA dan semester awal kuliah, hanya diterapkan secara sistematis dari lapisan terakhir ke lapisan pertama. Proses ini disebut backpropagation. Konsep turunannya dibahas di artikel turunan sebagai laju perubahan.

Pilar 3: peluang dan statistika menangani ketidakpastian

Dunia nyata penuh ketidakpastian, dan AI jarang "yakin 100%". Model klasifikasi biasanya mengeluarkan peluang: misalnya 92% "kucing", 7% "anjing", 1% "lainnya". Model bahasa memilih kata berikutnya berdasarkan peluang kata-kata yang mungkin muncul.

Statistika juga dipakai untuk menilai model:

• Data dibagi menjadi data latih dan data uji. Model yang hanya hebat di data latih tetapi buruk di data uji disebut overfitting — ia menghafal, bukan memahami pola. (Mirip siswa yang menghafal kunci jawaban latihan.)
• Ukuran seperti akurasi, rata-rata galat, dan variansi membantu membandingkan model secara adil.
• Teorema Bayes dipakai, misalnya, oleh penyaring surel spam untuk memperbarui keyakinan berdasarkan kata-kata yang muncul.

Dasar-dasar peluang dibahas di artikel peluang dan kombinatorika, sedangkan ukuran pemusatan data ada di mean, median, dan modus.

Jalur belajar yang realistis

Di SMA, kuatkan fondasi berikut:

• Fungsi dan grafik, termasuk fungsi eksponen dan logaritma.
• Vektor dan matriks.
• Turunan dan penerapannya.
• Statistika deskriptif dan peluang.

Di kuliah, fondasi itu berkembang menjadi empat mata kuliah inti:

1. Aljabar Linear — ruang vektor, transformasi linear, nilai eigen.
2. Kalkulus I dan Kalkulus II — turunan parsial, gradien, optimasi.
3. Statistika dan Probabilitas — variabel acak, distribusi, inferensi, regresi.
4. Matematika Diskrit — logika, graf, dan dasar algoritma.

Jika kamu tertarik pada jurusan informatika, peta topiknya dibahas lebih lengkap di artikel matematika untuk kuliah informatika.

Mitos yang perlu diluruskan

• "AI berpikir seperti manusia." Model AI menemukan pola statistik dalam data; ia tidak "memahami" dengan cara yang sama seperti manusia.
• "Perlu jenius matematika untuk belajar AI." Konsep intinya dapat dipelajari bertahap dari matematika SMA. Yang dibutuhkan adalah fondasi yang kuat dan ketekunan.
• "Matematika tidak relevan karena ada pustaka perangkat lunak." Pustaka mengerjakan hitungannya, tetapi memahami matematika membuatmu tahu kapan model bisa dipercaya dan mengapa model gagal.

Ringkasan

• AI modern berdiri di atas tiga pilar: aljabar linear, kalkulus, serta peluang dan statistika.
• Data diubah menjadi vektor; jaringan saraf adalah tumpukan perkalian matriks dan fungsi aktivasi.
• Model belajar dengan gradient descent: bergerak berlawanan arah gradien untuk menurunkan galat.
• Peluang dan statistika menangani ketidakpastian dan menilai apakah model benar-benar belajar pola.
• Fondasinya dimulai dari topik SMA: fungsi, vektor, matriks, turunan, statistika, dan peluang.