RPS · IF25-40401 · Benchmark

Benchmark Kurikulum

Perbandingan RPS Deep Learning ini terhadap silabus deep learning di Stanford, MIT, CMU, UC Berkeley, Oxford, ETH Zurich, Princeton, dan Harvard — untuk melihat apa yang sudah terakomodir, apa gap-nya, dan apa yang direkomendasikan untuk ditambahkan.

8 kampus referensi 12 gap tersisa 3 tingkat prioritas

Benchmark Kurikulum. Disusun dari silabus publik kursus deep learning kampus-kampus top dunia.

Ringkasan Penilaian

Kampus referensi

Kekuatan & hal terakomodir

Gap prioritas tinggi

Gap lain

Secara keseluruhan, RPS ini memiliki alur yang rapi (fondasi → CNN → sekuens → Transformer → generatif → frontier) yang sejajar dengan pola CS230/CS231n/CMU, dan bahkan lebih mutakhir dari sebagian kampus (ConvNeXT, Mamba, ViT/PVT). Revisi terbaru telah mengakomodir normalisasi & regularisasi, inisialisasi bobot, serta word embeddings & seq2seq. Gap utama yang tersisa ada pada deteksi/segmentasi objek dan LLM — dua hal yang paling dicari industri.

Kampus Referensi

Kampus	Kursus	Karakteristik
Stanford	CS230 Deep Learning	Fondasi DL + full-cycle ML project (ML strategy), adversarial robustness, deep RL, cara membaca paper riset, project proposal → milestone → poster.
Stanford	CS231n CNN for Visual Recognition	CNN arsitektur, object detection & segmentation, self-supervised learning (DINO/MAE), diffusion models, large-scale distributed training, video understanding, vision+language, human-centered AI, 3× milestone check-in.
MIT	6.S191 Introduction to Deep Learning	Bootcamp intensif; fokus terbaru LLM & generative AI; ditutup proyek + kompetisi.
CMU	11-785 Introduction to Deep Learning	MLP → attention → seq2seq; hands-on PyTorch penuh.
UC Berkeley	Data C182 Designing, Visualizing & Understanding DNN	Review ML (bias-variance, logistic regression), building blocks (BatchNorm/LayerNorm), Transformers 4 pekan, pretraining BERT/GPT, masked autoencoder, GPU training, recommendation systems.
Oxford	Uncertainty in DL, Geometric DL	Bayesian DL, symmetry-based architecture (CNN/GNN/Transformer dari first principles).
ETH Zurich	263-3210 Deep Learning	Mathematical foundations of deep learning.
Princeton	COS 597R Deep Dive into LLM	Deep dive LLM: pretraining, RLHF, alignment.

Yang Sudah Terakomodir

Termasuk 4 poin yang baru disisipkan pada revisi RPS ini (tanpa menambah baris/pertemuan — diperkaya lewat pokok bahasan & capaian pembelajaran).

1. Alur fondasi → modern yang rapi

MLP → CNN → RNN/LSTM → Transformer → Generative → Frontier, persis pola CS230/CS231n/CMU. Struktur sangat baik.

2. Arsitektur CNN mutakhir

AlexNet → VGG → ResNet → MobileNet → ConvNeXT sejajar CS231n Lecture 6, bahkan lebih lengkap (ConvNeXT jarang ada di S1).

3. Transfer learning + zero-shot + finetuning

Setara CS231n & CS230.

4. Metrik evaluasi rinci

Presisi, recall, F1, ROC-AUC — lebih rinci dari kebanyakan kampus top.

5. Kompetisi Kaggle + paper Arxiv + poster

Meniru model CS230 (poster session) dan MIT (project competition). Membedakan dari kampus lain.

6. Topik frontier yang up-to-date

ViT & PVT, Mamba — bahkan belum ada di sebagian besar silabus kampus top.

7. Hands-on PyTorch setiap minggu

Sejalan dengan CMU 11-785.

8. Normalisasi: BatchNorm & LayerNorm

Disisipkan di minggu 2 — mekanisme Batch/Layer Normalization untuk stabilisasi pelatihan deep net (prasyarat ResNet/Transformer/ViT).

9. Regularisasi eksplisit

Dropout, weight decay (L2), dan data augmentation kini ada di minggu 2 — alat utama anti-overfitting di kompetisi.

10. Weight initialization: Xavier/He

Disisipkan di minggu 1 — pengaruh inisialisasi bobot terhadap vanishing/exploding gradient dan konvergensi.

11. Word embeddings & seq2seq

Word2vec/GloVe & tokenisasi subword di minggu 10; sequence-to-sequence encoder–decoder di minggu 9 — jembatan menuju Transformer kini lengkap.

Gap & Rekomendasi

Prioritas Tinggi — pilar industri yang belum tersentuh

#	Gap	Ada di	Kenapa penting
1	Object detection & segmentation (YOLO, R-CNN, U-Net)	CS231n Lec 9, CS230	RPS 100% klasifikasi. Deteksi objek & segmentasi adalah pilar CV industri; kompetisi Kaggle sering bertipe deteksi.
2	LLM: pretraining, BERT/GPT, fine-tuning	Berkeley Lec 18, Princeton COS597R, MIT	Gap terbesar untuk relevansi industri. Minggu 10–12 hanya menyentuh mekanisme Transformer; tidak ada sesi praktik fine-tune LLM (mis. HuggingFace).

Prioritas Sedang — modern & membedakan

#	Gap	Ada di	Kenapa penting
3	Diffusion models	CS231n Lec 14, MIT	SOTA generatif saat ini; RPS berhenti di GAN (minggu 13).
4	Self-supervised learning (contrastive, MAE, DINO)	CS231n Lec 12, Berkeley	Fondasi model modern (CLIP, SSL vision) — melengkapi minggu 3 (zero-shot CLIP).
5	ML strategy / siklus proyek penuh: error analysis, bias-variance, data-centric	CS230 (Course 3)	Yang membuat mahasiswa jago kompetisi: cara memperbaiki model secara sistematis, bukan sekadar melatih.
6	Interpretability: saliency, Grad-CAM, feature viz	CS231n Lec 9, judul kursus Berkeley	Mendukung poster session: mahasiswa bisa menampilkan mengapa model bekerja.

Prioritas Rendah — pengayaan / struktur

#	Gap	Ada di	Kenapa penting
7	Milestone / check-in proyek bertahap	CS230 (proposal → 2 meeting → milestone), CS231n (3 milestone)	RPS hanya rilis tugas besar + 2 deadline. Check-in bertahap menekan risiko proyek gagal di akhir.
8	Membaca paper riset (metodologi)	CS230 Lec 6	Minggu 14 sudah meninjau paper, tapi tidak ada pengajaran eksplisit cara membaca paper.
9	AI ethics / human-centered AI	CS231n Lec 18	Tidak tersentuh sama sekali; semakin wajib di kurikulum modern.
10	Adversarial robustness	CS231n, CS230	Komplemen bagus untuk sesi interpretability.
11	Distributed / mixed-precision training	CS231n Lec 11, Berkeley Lec 19	Relevan untuk kompetisi dengan data besar; bisa jadi sesi singkat atau praktikum opsional.
12	Uncertainty / Bayesian DL, Geometric DL	Oxford	Terlalu advanced untuk S1 — cukup jadi bahan bacaan opsional di minggu 14.

Rekomendasi Prioritas

Catatan revisi: normalisasi & regularisasi, inisialisasi bobot (minggu 1–2), serta word embeddings & seq2seq (minggu 9–10) telah diakomodir dalam revisi RPS. Rekomendasi yang masih terbuka:

Ganti sebagian minggu 12 (PVT) menjadi “LLM & Fine-tuning” (HuggingFace, pretraining BERT/GPT, RLHF singkat) — atau tambahkan sebagai minggu 14 menggantikan sebagian frontier. Ini gap paling mahal untuk alumni.
Tambahkan 1 sesi “Object Detection & Segmentation” setelah CNN (minggu 6–7), atau jadikan topik kompetisi opsional.
Tambahkan “Diffusion Models” sebagai pengganti/perluasan minggu 13, dan “ML strategy untuk kompetisi” singkat sebelum UTS (minggu 7).
Tambahkan milestone proyek: proposal (minggu 4) → progress check (minggu 8) → draft poster (minggu 13).