Belajar Deep Learning - Pre-Requisites Skill & Setup Environment

#Pendahuluan

Selamat datang di series Belajar Deep Learning! Series ini akan membawa kalian menguasai deep learning — cabang machine learning yang melatih jaringan saraf bertingkat — untuk computer vision, pemrosesan bahasa, generative AI, dan banyak lagi. Total ada 25 episode yang tersusun dalam enam fase, dari fondasi matematika sampai production readiness.

Sebelum menjalankan import torch atau model.fit(...), ada skill dasar dan perangkat yang wajib kalian siapkan. Mengapa prasyarat ini penting? Karena deep learning bukan black box: di balik setiap layer tersembunyi ada operasi matriks, turunan parsial, dan optimisasi. Semakin kuat fondasi Python, NumPy, dan aljabar linear kalian di episode 0, semakin sedikit kebingungan saat membedah backpropagation di episode 2 dan autograd di episode 3.

Episode 0 ini adalah peta jalan kalian: kita akan memastikan skill dasar terpenuhi, menyiapkan environment Python, menginstall PyTorch dan TensorFlow/Keras, memastikan akses GPU, lalu memverifikasi semuanya untuk pertama kali.

#Skill Dasar yang Wajib Dimiliki

#Python dan NumPy

Deep learning di 2026 didominasi PyTorch dan Keras yang berbasis Python. Kalian wajib nyaman dengan list, dict, function, class, dan slicing. NumPy adalah fondasi semua tensor — memahami np.array, shape, dan operasi element-wise akan membuat transisi ke tensor PyTorch mulus:

Verifikasi NumPy

import numpy as np
 
a = np.array([[1.0, 2.0], [3.0, 4.0]])
b = np.array([[5.0], [6.0]])
print(a.shape, a @ b)

a @ b adalah perkalian matriks — operasi paling dasar yang akan kalian lihat di hampir setiap layer neural network.

#Dasar Machine Learning

Deep learning adalah subset dari machine learning, jadi kalian wajib paham tiga konsep: bias-variance trade-off (model terlalu sederhana underfit, terlalu kompleks overfit), gradient descent (menurunkan loss dengan menggeser parameter melawan arah gradien), dan train/validation/test split. Kalian tidak perlu mahir — cukup paham istilah dan intuisi dasarnya.

#Aljabar Linear

Jaringan saraf hanyalah rangkaian perkalian matriks dan fungsi non-linear. Konsep yang wajib dikuasai: vektor dan matriks, dot product, transpose, dan dimensi. Contoh sederhana: satu layer neural network tanpa bias adalah h = W @ x, dengan W matriks bobot dan x vektor input. Sampai di sini dulu — episode 2 akan mengulang konsep ini lebih dalam dari sudut pandang neuron.

#Perangkat Software dan Hardware yang Disiapkan

#Python 3.12+

Series ini memakai Python 3.12+ karena didukung penuh oleh PyTorch 2.11 dan TensorFlow 2.21. Gunakan pyenv atau package manager sistem untuk menginstallnya:

pyenv install 3.12.10
pyenv global 3.12.10
python --version

#PyTorch 2.11

PyTorch adalah framework deep learning standar riset di 2026. Buat virtual environment khusus agar environment tidak saling mengganggu:

python -m venv .venv
source .venv/bin/activate
pip install torch torchvision torchaudio

Untuk mesin dengan GPU NVIDIA, gunakan perintah dari situs resmi PyTorch agar mendapatkan build CUDA yang tepat (misalnya --index-url https://download.pytorch.org/whl/cu128). Pada mesin tanpa GPU, build CPU sudah cukup untuk sebagian besar praktik di series ini.

#TensorFlow 2.21 dan Keras 3

Episode 4 akan membahas Keras 3 yang multi-backend. Install sekarang biar tidak menunggu:

pip install tensorflow keras

Keras 3 secara default memakai TensorFlow sebagai backend, tetapi bisa diarahkan ke JAX atau PyTorch lewat variabel lingkungan KERAS_BACKEND.

#Akses GPU (Opsional tapi Disarankan)

Training jaringan saraf di CPU bisa lambat. Tiga opsi gratis yang paling umum di 2026:

• Google Colab: notebook gratis dengan T4/L4, cukup jalankan Runtime → Change runtime type → T4 GPU.
• Kaggle Notebooks: GPU gratis dengan kuota mingguan.
• Mesin lokal dengan GPU NVIDIA: paling fleksibel, tapi butuh setup CUDA.

Untuk series ini, Colab atau Kaggle cukup untuk semua praktik, termasuk training skala kecil di episode 13.

#Verifikasi Environment

Sebelum lanjut ke episode 1, jalankan verifikasi menyeluruh:

Verifikasi environment

import torch
import tensorflow as tf
import keras
 
print("PyTorch   :", torch.__version__)
print("CUDA      :", torch.cuda.is_available())
print("TensorFlow:", tf.__version__)
print("Keras     :", keras.__version__)

torch.cuda.is_available() harus mencetak True jika kalian memakai GPU, dan False jika CPU. Versi yang diharapkan: PyTorch 2.11, TensorFlow 2.21, dan Keras 3. Jika semua tercetak tanpa error, environment kalian sudah siap.

#Ringkasan Prasyarat

Rangkuman yang sudah kalian siapkan di episode 0:

• Skill: Python & NumPy, konsep dasar ML (bias-variance, gradient descent), dan aljabar linear (matriks, dot product).
• Environment: Python 3.12+, venv aktif, PyTorch 2.11, TensorFlow 2.21, dan Keras 3 terinstall.
• Hardware: GPU via Colab/Kaggle disarankan; CPU memadai untuk praktik awal.
• Verifikasi: script import torch/tensorflow/keras berjalan tanpa error, CUDA terdeteksi jika ada GPU.

Jika ada yang belum terpenuhi, berhenti dulu dan lengkapi sebelum melanjutkan. Perjalanan 24 episode ke depan akan jauh lebih lancar dengan pijakan yang kuat ini.

#Penutup

Inti yang harus dibawa pulang:

• Deep learning membutuhkan tiga fondasi: Python & NumPy, dasar ML, dan aljabar linear.
• Gunakan venv terpisah untuk PyTorch 2.11 dan TensorFlow 2.21/Keras 3.
• Akses GPU (Colab/Kaggle) sangat disarankan, meskipun CPU cukup untuk praktik awal.
• Verifikasi semua library dengan satu script sebelum memulai.

Di episode 1 selanjutnya kita akan membahas sejarah, perkembangan, dan mengapa kalian mendalami deep learning — dari perceptron 1958, backpropagation 1986, kemenangan AlexNet di ImageNet 2012, transformer 2017, hingga fondasi model LLM dan multimodal 2025-2026. Pastikan environment kalian sudah siap, karena perjalanan Belajar Deep Learning baru saja dimulai!