Belajar AI - NLP & Computer Vision (Pengenalan)

#Pendahuluan

Setelah di episode 5 kalian membangun neural network dari nol dan memahami cara kerja loop training, episode ini memperluas wawasan ke dua cabang AI yang paling banyak dipakai industri: NLP (Natural Language Processing) dan Computer Vision. Keduanya adalah aplikasi dari konsep yang sama — deep learning — tetapi dengan data dan arsitektur yang berbeda.

Mengapa episode ini penting? Karena sebagian besar produk AI yang kalian temui sehari-hari ada di salah satu dari dua cabang ini: asisten virtual memakai NLP, sistem autentikasi wajah memakai CV, dan platform e-commerce memakai keduanya (pencarian gambar + rekomendasi berbasis teks). Memahami fondasinya akan membuat kalian mampu memilih tools dan model yang tepat saat membangun solusi sendiri.

#Natural Language Processing (NLP)

NLP adalah cabang AI yang membuat mesin memahami dan menghasilkan bahasa manusia. Tantangan utamanya: bahasa itu ambigu dan kontekstual — "bank" bisa berarti tepi sungai atau lembaga keuangan, tergantung konteks.

#Tokenization

Langkah pertama semua pipeline NLP adalah memecah teks menjadi unit-unit kecil (token). Token bisa berupa kata, sub-kata, atau karakter:

sentence = "Belajar AI itu seru"
tokens = sentence.lower().split()
print(tokens)   # ['belajar', 'ai', 'itu', 'seru']

Model modern memakai sub-word tokenization (misalnya tokenizer BPE yang dipakai GPT) — ia memecah kata langka menjadi bagian-bagian yang bisa disusun ulang, sehingga kosakata tetap ringkas tanpa kehilangan kata baru.

#Embeddings: Bahasa Menjadi Angka

Neural network tidak bisa memproses kata mentah. Embedding mengubah token menjadi vektor angka, dan — inilah keajaibannya — kata-kata yang bermakna serupa menjadi vektor yang berdekatan dalam ruang vektor.

Properti ini menjadi dasar segalanya di NLP modern: pencarian semantik, clustering dokumen, dan terutama retrieval-augmented generation (RAG) yang akan kita bangun di episode 13.

#Aplikasi NLP Populer

• Sentiment analysis: menentukan nada positif/negatif/neutral dari teks (ulasan produk, media sosial).
• Text summarization: meringkas dokumen panjang (berita, laporan, risalah rapat).
• Machine translation: menerjemahkan antar bahasa.
• Named entity recognition: mengekstrak orang, tempat, tanggal dari teks.

from transformers import pipeline
 
classifier = pipeline("sentiment-analysis")
print(classifier("Layanan ini sangat membantu!"))
# [{'label': 'POSITIVE', 'score': 0.99}]

#Computer Vision (CV)

CV adalah cabang AI yang membuat mesin memahami gambar dan video — bukan sekadar membaca pixel, melainkan mengenali apa yang terlihat.

#Image Classification vs Object Detection

• Image classification: gambar → satu label. "Foto ini berisi kucing."
• Object detection: gambar → beberapa kotak + label. "Ada kucing di pojok kiri, anjing di tengah." Ini yang dipakai kamera ponsel untuk autofokus dan sistem kendaraan otonom.

#CNN: Arsitektur untuk Gambar

Convolutional Neural Network (CNN) adalah arsitektur yang mengalahkan semua pendekatan sebelumnya di CV. Ide intinya: convolution — menggeser filter kecil di atas gambar untuk mendeteksi pola lokal (tepi, sudut, tekstur), lalu layer berikutnya menyusunnya menjadi pola yang lebih abstrak.

import torch.nn as nn
 
model = nn.Sequential(
    nn.Conv2d(3, 32, kernel_size=3, padding=1),  # ekstrak fitur lokal
    nn.ReLU(),
    nn.MaxPool2d(2),                              # reduksi ukuran
    nn.Conv2d(32, 64, kernel_size=3, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Flatten(),
    nn.Linear(64 * 7 * 7, 10),                    # klasifikasi
)

CNN lebih efisien daripada fully-connected layer untuk gambar karena bobotnya dipakai bersama (shared weights) di seluruh posisi gambar — jauh lebih sedikit parameter dan lebih tahan terhadap pergeseran objek.

#Vision Transformer (ViT)

Sejak 2021, Vision Transformer memperlakukan gambar sebagai urutan patch (potongan kecil) dan memprosesnya seperti transformer memproses token teks. Hasilnya, ViT menyaingi atau mengungguli CNN pada banyak benchmark, dan kini menjadi fondasi model vision modern dan multimodal (episode 20).

#Common Pitfalls

• Teks sebagai input tanpa tokenization: selalu konsisten memakai tokenizer yang sama dengan model yang dipakai.
• Melatih CNN dari nol untuk masalah kecil: untuk dataset terbatas, transfer learning (model pretrained) hampir selalu lebih baik — kita bedah di episode 12.
• Mengabaikan ukuran gambar: semua gambar harus di-resize konsisten sebelum masuk model.
• Memakai CV/NLP tanpa baseline sederhana: coba dulu pendekatan rule-based/klasik sebelum menyeret model besar.

#Penutup

Inti yang harus dibawa pulang:

• NLP: tokenization memecah teks, embeddings mengubah kata jadi vektor yang kedekatannya bermakna; aplikasi utamanya sentiment, summarization, dan penerjemahan.
• CV: classification memberi satu label, object detection memberi kotak + label; CNN mendeteksi pola lokal, ViT memperlakukan gambar sebagai patch.
• Embeddings adalah jembatan ke RAG (episode 13); transfer learning akan dipakai terus sejak episode 12.
• Model pretrained dari Hugging Face bisa dipakai dengan beberapa baris kode.

Di episode 7 selanjutnya kita masuk ke topik yang paling populer: Generative AI & LLM — bagaimana transformer, token, dan attention bekerja, cara LLM menghasilkan teks, dan peta model 2026 dari yang closed (GPT, Claude, Gemini) hingga open-weight (Llama, Qwen, Gemma, DeepSeek, Mistral). Sampai jumpa di episode 7!