Portal materi perkuliahan terpilih mata kuliah Deep Learning: fokus pada blok pembelajaran Computer Vision, arsitektur Convolutional Neural Networks dari nol, evolusi model modern, dan studio transfer learning.
Modul Perkuliahan Terpilih. Gunakan tab navigasi di bawah ini untuk beralih antara materi Pertemuan 4, 5, dan 6 lengkap dengan unduhan slide presentasi PDF (LaTeX Beamer), ringkasan capaian pembelajaran, pokok bahasan, serta instruksi hands-on praktikum.
Modul Pertemuan Perkuliahan
Pilih tab pertemuan di bawah ini untuk melihat rincian pokok bahasan, capaian pembelajaran (CPMK), serta mengunduh dokumen slide PDF:
Transisi fundamental dari Multi-Layer Perceptron (MLP) menuju Convolutional Neural Network (CNN) untuk data visual. Membangun model CNN dari nol dengan PyTorch untuk memahami konektivitas lokal, pembagian bobot bersama (weight sharing), dan representasi fitur visual berhierarki.
Pokok Bahasan
Motivasi CNN: curse of dimensionality pada citra, hilangnya topologi spasial 2D, local connectivity, dan weight sharing.
Operasi Konvolusi 2D: kernel/filter, stride, padding (valid vs same), ukuran feature map, dan receptive field.
Operasi Pooling: Max Pooling & Average Pooling, invariansi translasi lokal, dan reduksi dimensi tanpa bobot latih.
Pertemuan 06Studio Proyek 2 (Bobot 10%)Praktikum Studio
Minggu 6 · TM: 3×50′ · TT: 3×60′
Studio Proyek 2: Kompetisi Klasifikasi Sampah
Kompetisi kelas berbasis proyek kelompok (maks. 3 mahasiswa) di Kaggle / Google Colab. Melatih model klasifikasi lima jenis sampah khas Indonesia — CNN from scratch maupun fine-tuning backbone pretrained ImageNet — dengan nilai ditentukan oleh performa (Macro-F1) pada validation set tersembunyi.
Pokok Bahasan
Dataset Kompetisi: ±3.700 citra sampah dalam 5 kelas (botol plastik, gelas plastik, kertas/kardus, saset/kemasan, styrofoam); validation set disimpan tim pengajar.
Eksperimen Backbone: membandingkan AlexNet, VGG, ResNet, MobileNet, dan ConvNeXT sebagai feature extractor.
Strategi Fine-Tuning: penggantian head layer, layer freezing awal, linear probing vs full fine-tuning.
Evaluasi & Preview Skor: Macro-F1 dievaluasi asisten dosen pada 14, 21, dan 25 Oktober 2026; progres dilacak lewat repo GitHub publik.
Capaian Pembelajaran (CPMK)
Merancang eksperimen fine-tuning CNN pretrained secara sistematis.
Membandingkan pengaruh variasi backbone terhadap akurasi dan efisiensi.
Menerapkan strategi freezing, linear probing vs full fine-tuning.
Mengemas model sesuai kontrak submission dan mengelola progres proyek di GitHub.
Materi Pendamping: Hyperparameter Tuning
Slide — 10 kartu eksperimen untuk demo langsung di kelas: metodologi eksperimen, learning rate, optimizer (Adam vs AdamW), batch size, scheduler & warmup, regularisasi, early stopping, strategi fine-tuning, CNN vs ViT, W&B [PDF ↗]
train.py — ResNet-18, MobileNetV3, EfficientNet-B0, ConvNeXt-Atto & ViT-Tiny (timm) pada Imagenette; hyperparameter diubah manual di blok CONFIG, setiap run tercatat di Weights & Biases [Kode ↗]