Sebelum benar-benar menulis kode deep learning, kita perlu mengenal perkakas yang akan dipakai sepanjang perjalanan. Ekosistem deep learning tersusun sebagai lapisan-lapisan yang saling menopang: bahasa pemrograman di dasar, pustaka ilmiah di atasnya, framework deep learning di tengah, lalu repositori model dan perangkat komputasi di puncak. Chapter penutup section ini memetakan lapisan-lapisan tersebut, membandingkan framework utama, dan menutup dengan skrip kecil yang memverifikasi versi setiap komponen di mesin tempat Course ini ditulis dan diuji.

Peta Besar Ekosistem #

Gambaran paling cepat untuk memahami ekosistem adalah melihatnya sebagai tumpukan. Setiap lapisan dibangun di atas lapisan di bawahnya, dan kita bisa bekerja di lapisan atas tanpa perlu menulis ulang lapisan bawah:

Framework deep learning pada akhirnya adalah pembungkus rapi atas operasi array yang kita tulis sendiri di Chapter ketiga. Perbedaan utamanya: framework menghitung gradient secara otomatis, menjalankan komputasi di GPU, dan menyediakan komponen jaringan siap pakai.

Framework Utama #

Tiga framework mendominasi lanskap saat ini. PyTorch menjadi standar de facto riset: API-nya dekat dengan Python biasa, eksekusinya mengikuti kode baris demi baris, dan mayoritas publikasi ilmiah baru memakainya. TensorFlow bersama API Keras 3 unggul di jalur produksi menyeluruh — dari training hingga deployment ke server, ponsel, dan perangkat tepi. JAX, dikembangkan oleh Google, memilih gaya pemrograman fungsional dengan transformasi komposabel seperti gradien otomatis dan vektorisasi; JAX lebih sering dipakai di riset lanjutan. Pemilihan framework bukan keputusan seumur hidup: konsep yang kita pelajari di satu framework berlaku di semuanya.

FrameworkFokus utamaTautan resmi
PyTorchRiset dan prototipe cepat; standar publikasi ilmiahdocs.pytorch.org
TensorFlow + KerasProduksi menyeluruh: training hingga deploymenttensorflow.org/guide/keras
JAXKomputasi fungsional untuk riset lanjutanjax.readthedocs.io

Pustaka Pendukung #

Framework tidak bekerja sendirian; sekelilingnya ada pustaka yang dipakai setiap hari dalam alur kerja deep learning:

  • NumPy: array n-dimensi dan operasi vektor — fondasi seluruh ekosistem; seluruh demo neuron pada Chapter ketiga hanya memakai NumPy.
  • pandas: tabel data, pembersihan, dan agregasi — dipakai sebelum data masuk model.
  • scikit-learn: pembagian data, baseline model klasik, dan metrik evaluasi — jembatan resmi antara ML klasik dan deep learning.
  • matplotlib: visualisasi kurva loss, akurasi, dan distribusi data.
  • Hugging Face: Hub menyimpan ratusan ribu model pralatih beserta pustaka pendukungnya, sehingga transfer learning tinggal memuat model siap pakai.

Perangkat dan Layanan Komputasi #

Training deep learning membutuhkan komputasi besar, tetapi belajar tidak. Google Colab menyediakan notebook daring dengan GPU yang dapat dipakai gratis dalam kuota tertentu; Kaggle menawarkan kombinasi serupa plus dataset dan kompetisi. Keduanya membebaskan kita dari instalasi apa pun di awal. Untuk kerja jangka panjang, GPU lokal atau penyedia cloud seperti AWS, Google Cloud, dan Azure menjadi pilihan. Aturan praktisnya sederhana: belajar di CPU, bereksperimen di GPU kuota gratis, dan menyewa GPU ketika eksperimen mulai menuntut lebih.

Verifikasi Lingkungan di Mesin Ini #

Sebelum menutup section, mari kita jalankan inventaris kecil. Skrip berikut memeriksa versi setiap komponen ekosistem yang terpasang di mesin ini — komponen yang juga dipakai untuk menguji seluruh contoh kode dalam Course ini:

python 
"""Cek versi komponen utama ekosistem deep learning di mesin ini."""

import os

os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"  # redam log TensorFlow

import platform

import numpy
import pandas
import sklearn
import tensorflow as tf
import torch

print("Python       :", platform.python_version())
print("NumPy        :", numpy.__version__)
print("pandas       :", pandas.__version__)
print("scikit-learn :", sklearn.__version__)
print("PyTorch      :", torch.__version__)
print("TensorFlow   :", tf.__version__)
print("GPU tersedia :", torch.cuda.is_available())

Output yang Dihasilkan:

text 
Python       : 3.12.15
NumPy        : 2.1.3
pandas       : 2.2.3
scikit-learn : 1.5.2
PyTorch      : 2.14.1+cpu
TensorFlow   : 2.21.0
GPU tersedia : False

Baris GPU tersedia : False memastikan hal penting: seluruh contoh pada Course ini ditulis dan diuji pada CPU, tanpa kartu grafis. Mesin CPU biasa memadai untuk mengikuti seluruh bab dasar sampai menengah. Mari kita telaah skripnya:

  1. Baris 3-5: menetapkan variabel lingkungan TF_CPP_MIN_LOG_LEVEL sebelum impor TensorFlow supaya log informasi TensorFlow tidak mengotori keluaran.
  2. Baris 9-13: mengimpor seluruh komponen; urutan ini sengaja menempatkan TensorFlow setelah variabel lingkungan diterapkan.
  3. Baris 15-20: mencetak versi tiap komponen lewat atribut __version__ dan platform.python_version().
  4. Baris 21: torch.cuda.is_available() memeriksa ketersediaan CUDA; hasil False berarti komputasi berjalan di CPU.

Section pengenalan resmi ditutup. Kita telah memetakan posisi deep learning dalam AI, membandingkannya dengan machine learning klasik, membedah siklus training sampai ke neuron NumPy, meninjau penerapan dunia nyata, menimbang kelebihan bersama harganya, dan mengenal ekosistem perkakasnya. Fondasi konseptual ini akan segera terpakai: Section berikutnya turun ke matematika yang menopang semuanya — aljabar linear, kalkulus, dan probabilitas — dengan contoh numerik yang dapat dijalankan seperti biasa.