RPS · IF25-40401

Silabus Deep Learning

Rangkaian 15 minggu yang membangun fondasi jaringan saraf dengan PyTorch — dari MLP dan pelatihan model, menuju arsitektur modern CNN, RNN/LSTM, Transformer, model generatif, hingga topik frontier — ditutup dengan kompetisi Kaggle dan sesi poster.

RPS Deep Learning. Dokumen pembelajaran untuk mata kuliah IF25-40401.

15 minggu UTS: Minggu 8 Kompetisi → sebelum UTS Poster → 5 Des 2026 Kelompok Studio Proyek: 2 orang (Studio 2: maks. 3 orang) Kelompok Tugas Besar: 4 orang

Deskripsi Singkat Mata Kuliah

Mata kuliah Deep Learning membekali mahasiswa dengan fondasi teoretis dan keterampilan praktis untuk merancang, melatih, dan mengevaluasi model pembelajaran mendalam menggunakan PyTorch. Perkuliahan berjalan dari dasar jaringan saraf (perceptron, MLP, fungsi aktivasi, loss, dan optimasi) menuju arsitektur modern: convolutional neural network (CNN) dan variasinya, pemodelan sekuensial (RNN, LSTM, GRU), transformer untuk NLP dan computer vision, model generatif (autoencoder, GAN), hingga topik frontier (reinforcement learning, graph neural network, Mamba). Perkuliahan diakhiri dengan proyek kompetisi Kaggle dan sesi poster sebagai luaran tugas besar.

Capaian Pembelajaran Mata Kuliah (CPMK)

CPMK-AIDE-01 — Mahasiswa mampu membangun basis keputusan aplikatif dengan mengoptimalkan kinerja komputasi melalui pemrosesan simultan, serta menerapkan prinsip etika komputasi.
CPMK-AIDE-02 — Mahasiswa mampu merancang dan mengimplementasikan pemodelan kecerdasan buatan lanjut untuk menganalisis aneka data bervolume besar melalui pengelolaan infrastruktur penyimpanan data terstruktur.

Distribusi Nilai Huruf

Nilai Angka	Nilai Huruf
80 – 100	A
73 – 79	AB
65 – 72	B
57 – 64	BC
50 – 56	C
40 – 49	D
0 – 39	E

Komponen Penilaian

Komponen	Bobot
Ujian Tengah Semester (UTS)	10%
Tugas Studio Proyek — Studio 1 (ANN/CIFAR-10)	10%
Tugas Studio Proyek — Studio 2 (CNN/Kompetisi Klasifikasi Sampah)	10%
Tugas Studio Proyek — Studio 3 (NLP/Transformer)	10%
Tugas Besar	50%
Kuis Pra UTS	5%
Kuis Pra UAS	5%
Total	100%

Rencana Pembelajaran Semester

Pengenalan Deep Learning

Capaian Pembelajaran

Menyiapkan environment PyTorch (CPU/GPU) untuk eksperimen.
Menjelaskan peran dan karakteristik fungsi aktivasi.
Membedakan metrik evaluasi sesuai jenis masalah.
Menjelaskan arsitektur dan alur maju–mundur MLP.
Menjelaskan pengaruh inisialisasi bobot (Xavier/He) terhadap stabilitas dan kecepatan konvergensi.
Memilih fungsi loss untuk regresi vs klasifikasi.
Membandingkan optimizer dan mekanisme adaptifnya.

Pokok Bahasan

Setup environment: Python, PyTorch (CPU/GPU/CUDA), verifikasi tensor & autograd.
Activation Function: sigmoid, tanh, ReLU, Leaky ReLU, GELU; vanishing gradient.
Performance Metrics: akurasi, presisi, recall, F1, confusion matrix, ROC-AUC.
Review Multi Layer Perceptron: forward pass, backpropagation, representasi nonlinier.
Weight Initialization: zero/random, Xavier (Glorot), He — dampak terhadap vanishing/exploding gradient.
Loss Function: MSE, MAE (regresi); Cross-Entropy, BCE (klasifikasi).
Optimizer: SGD, momentum, AdaGrad, RMSProp, Adam, AdamW.

Bentuk & Metode

Kuliah tatap muka
Hands-on di kelas
Belajar mandiri
Tugas terstruktur

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa menyiapkan environment PyTorch, menjalankan tensor pertama, dan melatih MLP sederhana sambil membandingkan pengaruh beberapa fungsi aktivasi, loss function, dan optimizer terhadap konvergensi.

Training Deep Learning Model (Lanjutan)

Capaian Pembelajaran

Mengatur learning rate scheduler untuk menstabilkan konvergensi.
Menerapkan early stopping untuk mengendalikan overfitting.
Menerapkan normalisasi (Batch/Layer Normalization) dan regularisasi (dropout, weight decay, augmentasi) untuk menstabilkan pelatihan from scratch.

Pokok Bahasan

Scheduler: step decay, cosine annealing, warm-up, ReduceLROnPlateau.
Early Stopping: validation loss, patience, checkpoint model terbaik.
Normalization: Batch Normalization & Layer Normalization — mekanisme, penempatan lapisan, efek terhadap konvergensi.
Regularization: dropout, weight decay (L2), data augmentation, label smoothing.

Bentuk & Metode

Kuliah tatap muka
Hands-on di kelas
Belajar mandiri
Tugas terstruktur

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa melatih model from scratch pada dataset benchmark, mengatur scheduler dan menerapkan early stopping, dropout, dan BatchNorm untuk menekan overfitting dan memilih konfigurasi terbaik — tanpa model pretrained.

Studio Proyek 1: Fine-tuning ANN from Scratch pada CIFAR-10

Capaian Pembelajaran

Merancang eksperimen fine-tuning hyperparameter ANN secara sistematis pada CIFAR-10.
Membandingkan pengaruh epoch, optimizer, dan scheduler terhadap konvergensi dan generalisasi.
Menerapkan early stopping dan checkpointing untuk memilih model terbaik.
Menerapkan augmentasi dan regularisasi (dropout, weight decay, BatchNorm) untuk menekan overfitting.
Menganalisis pengaruh penambahan layer/kapasitas model terhadap akurasi dan waktu latih.
Menyimpulkan strategi pelatihan terbaik berbasis bukti eksperimen.

Pokok Bahasan

Dataset CIFAR-10: 60.000 gambar berwarna 32×32 dalam 10 kelas — sumber: cs.toronto.edu/~kriz/cifar.html.
Studio from scratch (PyTorch) di Kaggle atau Google Colab: ANN/MLP sederhana untuk CIFAR-10 — arsitektur boleh ditambah layer.
Eksperimen epoch: underfitting vs overfitting, kurva train/val loss & akurasi.
Optimizer & scheduler: SGD vs Adam/AdamW, step decay / cosine annealing / warm-up.
Early stopping & checkpointing: patience, monitoring validation loss, save/load best model.
Augmentasi & regularisasi: augmentasi CIFAR-10 (random crop, horizontal flip, normalisasi), dropout, weight decay, BatchNorm.
Sintesis: membandingkan run, memilih strategi terbaik dan justifikasinya.

Bentuk & Metode

Studio / hands-on di kelas
Eksperimen kelompok (2 orang)
Presentasi & diskusi

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa membangun ANN from scratch dengan PyTorch di Kaggle / Google Colab untuk klasifikasi CIFAR-10 (cs.toronto.edu/~kriz/cifar.html), menjalankan rangkaian eksperimen fine-tuning (variasi epoch, optimizer, scheduler, early stopping, checkpointing, augmentasi, dan penambahan layer), lalu menyimpulkan dan mempresentasikan strategi pelatihan terbaik di depan kelas.

Deep Computer Vision (1): CNN From Scratch

Capaian Pembelajaran

Menjelaskan operasi konvolusi, stride, padding, dan pooling.
Menghitung ukuran feature map dan jumlah parameter konvolusi.
Membangun dan melatih CNN dari nol menggunakan PyTorch.
Menganalisis peran weight sharing dan konektivitas lokal.

Pokok Bahasan

Motivasi CNN: local connectivity & weight sharing vs MLP.
Operasi konvolusi: kernel/filter, stride, padding, feature map, receptive field.
Pooling: max/average pooling, invariansi translasi, reduksi dimensi.
Arsitektur CNN: conv → activation → pooling → fully connected.

Bentuk & Metode

Kuliah tatap muka
Hands-on di kelas
Belajar mandiri
Tugas terstruktur

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa membangun CNN dari nol (konvolusi + pooling) dan melatihnya pada dataset gambar, lalu memvisualisasikan feature map untuk memahami representasi hierarkis.

Deep Computer Vision (2): CNN dan Variasinya

Capaian Pembelajaran

Menjelaskan evolusi CNN dari AlexNet menuju VGG.
Menjelaskan desain blok konvolusi berlapis pada VGG.
Menjelaskan residual connection dan alasan ResNet bisa lebih dalam.
Membandingkan efisiensi MobileNet (depthwise separable) dengan CNN standar.
Mengidentifikasi elemen modern ConvNeXT yang diambil dari transformer.
Menjelaskan prinsip object detection dan segmentasi sebagai perluasan CNN.

Pokok Bahasan

AlexNet: encoder-decoder (deep conv layer), ReLU + dropout, pemenang ImageNet 2012.
VGG (improved from AlexNet): filter 3×3 berlapis, kedalaman seragam (VGG16/19).
ResNet vs MobileNet (residual): skip connection vs depthwise separable convolution.
ConvNeXT (CNN with context): patchify stem, inverted bottleneck, GELU/LayerNorm.
Object Detection & Segmentasi: klasifikasi vs deteksi (bounding box, IoU, mAP) vs segmentasi (semantic/instance), arsitektur perkenalan R-CNN, YOLO, FCN/U-Net, Mask R-CNN.

Bentuk & Metode

Kuliah tatap muka
Hands-on di kelas
Belajar mandiri
Tugas terstruktur

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa membandingkan arsitektur AlexNet, VGG, ResNet, MobileNet, dan ConvNeXT pada dataset yang sama (akurasi, parameter, waktu latih), menganalisis pengaruh kedalaman serta trade-off efisiensi, dan mengamati perbedaan keluaran klasifikasi, deteksi (bounding box), dan segmentasi pada contoh gambar.

Studio Proyek 2: Kompetisi Klasifikasi Sampah (CNN & Fine-tuning Pretrained)

Capaian Pembelajaran

Merancang eksperimen pelatihan CNN — from scratch maupun fine-tuning backbone pretrained ImageNet — secara sistematis pada dataset baru.
Membandingkan pengaruh variasi backbone CNN (AlexNet, VGG, ResNet, MobileNet, ConvNeXT) terhadap Macro-F1 dan efisiensi.
Menerapkan strategi fine-tuning: ganti last layer, freezing, linear probing vs full finetuning.
Mengemas model sesuai kontrak submission dan mengelola progres proyek melalui repositori GitHub.

Pokok Bahasan

Dataset kompetisi: ±3.700 citra sampah dalam 5 kelas (botol plastik, gelas plastik, kertas/kardus, saset/kemasan, styrofoam) — train set dibagikan, validation set disimpan tim pengajar. Rincian: halaman Kompetisi Studio 2.
Studio (PyTorch) di Kaggle atau Google Colab: CNN from scratch atau CNN pretrained (ImageNet) — last layer diganti sesuai 5 kelas; data tambahan diperbolehkan.
Eksperimen backbone & strategi fine-tuning: head replacement, freezing layer awal, linear probing vs full finetuning, augmentasi.
Evaluasi Macro-F1 oleh asisten dosen dengan 3× preview skor (14, 21, dan 25 Oktober 2026); nilai berbasis performa putaran Final.

Bentuk & Metode

Studio / kompetisi kelas
Kelompok maksimal 3 orang
Repo GitHub publik (README dengan NIM anggota)

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa berkelompok (maks. 3 orang) melatih model klasifikasi lima jenis sampah khas Indonesia — dari CNN from scratch hingga fine-tuning backbone pretrained ImageNet di Kaggle / Google Colab — melacak progres di repositori GitHub publik, lalu mengirimkan model.pth yang dievaluasi asisten dosen pada validation set tersembunyi dalam tiga putaran preview skor.

Deep Sequence Modelling & Attention is All You Need! (Teori)

Capaian Pembelajaran

Menjelaskan hidden state, unrolling RNN, dan keterbatasan vanishing/exploding gradient.
Menjelaskan mekanisme gate pada LSTM dan GRU serta arsitektur seq2seq (encoder–decoder).
Membandingkan RNN, LSTM, dan GRU dari segi kapasitas dan efisiensi.
Menjelaskan representasi word embedding (word2vec, GloVe) dan tokenisasi subword sebagai input model bahasa.
Menjelaskan mekanisme attention (query-key-value), self-attention, scaled dot-product, dan multi-head attention.
Menjelaskan arsitektur Transformer dan fungsi positional encoding.
Mengaitkan Transformer dengan kemajuan model bahasa (LLM).

Pokok Bahasan

RNN: recurrent connection, hidden state, unrolling in time, BPTT, vanishing/exploding gradient.
LSTM: cell state, forget/input/output gate; GRU: update & reset gate; stacking & bidirectional; aplikasi klasifikasi teks & terjemahan.
Sequence-to-sequence (seq2seq): encoder–decoder LSTM/GRU, hidden state konteks, machine translation & summarization.
Word Embeddings: word2vec (CBOW/skip-gram), GloVe, subword tokenization (BPE/WordPiece), embedding layer sebagai input Transformer.
Motivasi attention: keterbatasan RNN; konsep query-key-value; self-attention & scaled dot-product.
Multi-head attention; arsitektur Transformer: encoder-decoder, positional encoding, feed-forward, layer norm.

Bentuk & Metode

Kuliah tatap muka (teori)
Diskusi
Belajar mandiri

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa mengikuti perkuliahan teoritis dari RNN, LSTM/GRU, seq2seq, word embeddings, hingga attention dan Transformer — memahami alur evolusi sekuens ke attention tanpa hands-on di kelas pada pertemuan ini.

Ujian Tengah Semester

Minggu UTS

Transformer untuk NLP

Capaian Pembelajaran

Menjelaskan arsitektur Transformer encoder-decoder untuk tugas bahasa.
Mengenal pretrained model untuk NLP (mis. BERT, GPT, model HuggingFace) dan prinsip transfer learning.
Melakukan fine-tuning pretrained model untuk tugas klasifikasi teks / machine translation sederhana.

Pokok Bahasan

Transformer untuk NLP: tokenisasi & embeddings, positional encoding, encoder-decoder, multi-head attention.
Pretrained model untuk NLP: model HuggingFace (BERT/GPT dkk.), konsep pretraining dan transfer learning.
Fine-tuning pretrained model: adaptasi head/layer, persiapan dataset, dan evaluasi pada tugas klasifikasi teks / machine translation sederhana.

Bentuk & Metode

Kuliah tatap muka
Hands-on di kelas
Belajar mandiri
Tugas terstruktur

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa mengenal pretrained model NLP melalui HuggingFace, melakukan fine-tuning pada dataset tugas bahasa sederhana (klasifikasi teks / terjemahan), dan mengevaluasi hasilnya sebagai penerapan transfer learning.

Studio Proyek 3: Fine-tuning Transformer Pretrained untuk NLP

Capaian Pembelajaran

Merancang eksperimen fine-tuning Transformer pretrained secara sistematis untuk tugas NLP.
Membandingkan pengaruh variasi backbone pretrained (mis. BERT, DistilBERT, RoBERTa, IndoBERT) terhadap akurasi dan efisiensi.
Menerapkan strategi fine-tuning: ganti head/last layer, freezing, linear probing vs full finetuning.
Menyimpulkan strategi fine-tuning NLP terbaik berbasis bukti eksperimen.

Pokok Bahasan

Dataset klasifikasi teks / terjemahan sederhana (mis. IMDb atau dataset sentimen Indonesia) — sumber: HuggingFace Datasets.
Studio fine-tuning (HuggingFace Transformers) di Kaggle atau Google Colab: memakai Transformer pretrained — head diganti sesuai jumlah label bila berbeda.
Eksperimen backbone: membandingkan BERT, DistilBERT, RoBERTa, IndoBERT sebagai encoder (ukuran, korpus pretraining, efisiensi).
Strategi fine-tuning: head replacement, freezing layer awal, linear probing vs full finetuning, learning rate kecil untuk backbone.
Sintesis: membandingkan run antar backbone & strategi, memilih strategi NLP terbaik dan justifikasinya.

Bentuk & Metode

Studio / hands-on di kelas
Eksperimen kelompok (2 orang)
Presentasi & diskusi

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa melakukan fine-tuning Transformer pretrained via HuggingFace di Kaggle / Google Colab untuk tugas NLP sederhana (klasifikasi teks / terjemahan) — mengganti head bila jumlah label berbeda, membandingkan beberapa backbone dan strategi fine-tuning (freezing, head replacement, linear probing vs full finetuning), lalu menyimpulkan dan mempresentasikan strategi NLP terbaik di depan kelas.

Advanced Deep Learning (1): Generative Models — Autoencoder & GAN

Capaian Pembelajaran

Menjelaskan prinsip autoencoder dan representasi latent.
Membedakan AE deterministik dengan VAE probabilistik.
Menjelaskan pelatihan adversarial GAN (generator vs discriminator) dan tantangan seperti mode collapse.

Pokok Bahasan

Autoencoder & VAE: encoder-decoder, bottleneck/latent, rekonstruksi, denoising, latent kontinu & reparameterization trick.
GAN: generator vs discriminator, adversarial training, fungsi loss minimax, mode collapse.
Perbandingan AE/VAE vs GAN: kualitas vs diversitas.

Bentuk & Metode

Kuliah tatap muka (teori)
Diskusi
Belajar mandiri

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa mengikuti perkuliahan teoritis tentang Autoencoder/VAE dan GAN — memahami prinsip representasi latent, reparameterization trick, dan pelatihan adversarial tanpa hands-on.

Advanced Deep Learning (2): Frontier — RL, GNN & Mamba

Capaian Pembelajaran

Menjelaskan loop agent-environment serta konsep reward/policy pada RL.
Menjelaskan message passing dan node embedding pada GNN.
Menjelaskan ide Mamba (selective state space) sebagai alternatif Transformer.
Menempatkan topik frontier dalam peta riset deep learning terkini.

Pokok Bahasan

Reinforcement Learning: agent-environment, reward, policy, value function, deep RL (DQN).
Graph Neural Network: representasi graf, message passing, node embedding, aplikasi.
Mamba: state space model (SSM), selective scan, pemrosesan sekuens linear-time.
Arah riset: multimodal, efisiensi model, generative AI.

Bentuk & Metode

Kuliah tatap muka (teori)
Diskusi
Belajar mandiri

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa mengikuti perkuliahan teoritis tentang tiga arah frontier (RL, GNN, Mamba) — memahami konsep dan peta riset tanpa hands-on.

Coaching Clinic (1): Pendampingan Tugas Besar & Tugas Individu

Capaian Pembelajaran

Mengidentifikasi kendala dan memperbaiki rancangan Tugas Besar (kompetisi & paper/poster) melalui sesi konsultasi.
Menyusun rencana tindak lanjut tugas individu berdasarkan umpan balik dosen.

Pokok Bahasan

Coaching Clinic via Zoom bersama 4 dosen — jadwal sesi paralel diumumkan via LMS.
Pendampingan Tugas Besar (kompetisi Kaggle & paper Arxiv/poster) dan Tugas Individu.

Bentuk & Metode

Coaching clinic (Zoom breakout per dosen)
Konsultasi kelompok / individu
Umpan balik & revisi

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa mengikuti sesi Zoom per dosen sesuai kebutuhan topik, membawa draf/progress Tugas Besar & Tugas Individu, dan mendapat arahan spesifik (specific tasks) untuk revisi.

Coaching Clinic (2): Finalisasi Tugas Besar & Tugas Individu

Capaian Pembelajaran

Memfinalisasi submission kompetisi dan draf paper/poster berbasis umpan balik clinic sebelumnya.
Menuntaskan revisi Tugas Individu siap kumpul.

Pokok Bahasan

Coaching Clinic via Zoom bersama 4 dosen — sesi paralel lanjutan.
Persiapan menuju pengumpulan akhir: checklist submission & Q&A.

Bentuk & Metode

Coaching clinic (Zoom breakout per dosen)
Konsultasi kelompok / individu
Umpan balik & revisi

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa kembali mengikuti sesi Zoom per dosen untuk finalisasi — memastikan kompetisi/paper/poster dan tugas individu tuntas sesuai rubrik sebelum deadline.

Presentasi Tugas Besar (1)

Capaian Pembelajaran

Mempresentasikan hasil Tugas Besar (kompetisi & paper/poster) secara sistematis.
Menjawab pertanyaan dan mempertahankan rancangan/argumen berbasis bukti eksperimen.

Pokok Bahasan

Presentasi Tugas Besar — sesi 1 (jadwal kelompok diumumkan via LMS).
Demo, paparan metodologi & hasil, tanya jawab & umpan balik penguji.

Bentuk & Metode

Presentasi kelompok
Tanya jawab & diskusi
Umpan balik penguji

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa mempresentasikan Tugas Besar sesi pertama, memaparkan metodologi, hasil kompetisi/paper, dan mempertahankan rancangannya di depan penguji/rekan.

Presentasi Tugas Besar (2)

Capaian Pembelajaran

Mempresentasikan lanjutan Tugas Besar bagi kelompok yang belum tampil.
Menyimpulkan capaian pembelajaran mata kuliah melalui refleksi presentasi.

Pokok Bahasan

Presentasi Tugas Besar — sesi 2 (lanjutan kelompok).
Rangkuman & refleksi akhir mata kuliah.

Bentuk & Metode

Presentasi kelompok
Tanya jawab & diskusi
Umpan balik & refleksi

Estimasi Waktu

TM: 3×50′
TT: 3×60′

Pengalaman Belajar

Mahasiswa melanjutkan presentasi Tugas Besar sesi kedua, menerima umpan balik akhir, dan melakukan refleksi capaian pembelajaran deep learning selama satu semester.