Di balik model AI yang tampak "cerdas", terdapat proses sederhana yang diulang jutaan kali: mencoba menebak, mengukur seberapa salah tebakan itu, lalu memperbaiki diri. Kalkulus, terutama turunan, adalah alat yang memberi tahu model ke arah mana ia harus memperbaiki diri.
1. Fungsi Kerugian (Loss Function)
Model dilatih untuk meminimalkan loss, yaitu angka yang menyatakan seberapa jauh prediksi dari jawaban benar. Contoh yang umum adalah Mean Squared Error. Melatih model berarti mencari parameter (bobot) yang membuat loss sekecil mungkin. Ini adalah masalah optimasi, dan optimasi adalah wilayah kalkulus.
2. Gradien dan Gradient Descent
Pada fungsi dengan banyak variabel, turunan dikumpulkan menjadi gradien, yaitu vektor turunan parsial. Gradien menunjuk arah kenaikan loss tercepat, sehingga untuk menurunkan loss kita bergerak berlawanan arah. Inilah gradient descent:
w_baru = w_lama - eta x dL/dw
eta = learning rate (ukuran langkah)Contoh Sederhana Perhitungan
Misalkan loss L(w) = (w - 3)² sehingga turunannya dL/dw = 2(w - 3). Mulai dari w = 0 dengan eta = 0,1:
Langkah 1: w = 0 - 0,1 x 2(0 - 3) = 0,60
Langkah 2: w = 0,60 - 0,1 x 2(0,6 - 3) = 1,08
Langkah 3: w = 1,08 - 0,1 x 2(1,08 - 3) = 1,46
... bergerak mendekati w = 3 (nilai optimum)Jika learning rate terlalu besar, w bisa melompat melewati titik optimum. Jika terlalu kecil, pelatihan menjadi sangat lambat.
3. Aturan Rantai dan Backpropagation
Jaringan saraf adalah susunan fungsi bertingkat: keluaran lapisan satu menjadi masukan lapisan berikutnya. Untuk menghitung pengaruh bobot di lapisan awal terhadap loss di ujung jaringan, digunakan aturan rantai (chain rule): dL/dx = (dL/dy) x (dy/dx). Penerapan aturan rantai secara efisien dari keluaran mundur ke masukan inilah yang disebut backpropagation, algoritma yang membuat deep learning layak dilatih.
4. Fungsi Aktivasi
Fungsi aktivasi seperti sigmoid, tanh, dan ReLU harus dapat diturunkan agar gradien bisa mengalir. Sigmoid memiliki turunan yang elegan, s'(x) = s(x)(1 - s(x)). Ketika turunan sangat kecil di banyak lapisan, muncul masalah vanishing gradient yang memperlambat pelatihan. Itulah salah satu alasan ReLU populer.
5. Integral dalam Probabilitas
Integral berperan di sisi probabilistik AI. Probabilitas pada distribusi kontinu dihitung sebagai luas di bawah kurva kerapatan, dan nilai harapan E[X] adalah integral dari x dikali kerapatan peluangnya. Konsep ini muncul pada model generatif, inferensi Bayesian, dan reinforcement learning.
Dalam Praktik
- Pustaka seperti PyTorch dan TensorFlow memiliki automatic differentiation (autograd) yang menghitung turunan secara otomatis.
- Optimizer modern seperti Adam, RMSprop, dan SGD with momentum adalah pengembangan langsung dari gradient descent.
- Turunan kedua (matriks Hessian) dipakai pada metode optimasi tingkat lanjut.
💡 Intinya
AI belajar dengan menurunkan loss, dan kalkulus menunjukkan arahnya. Memahami turunan, gradien, dan aturan rantai membuat proses pelatihan model tidak lagi menjadi kotak hitam.