Dari tensor di bab awal sampai LoRA di bab akhir, Course ini memakai istilah teknis secara konsisten — dan mengharuskan Anda menguasainya bertahap. Glosarium ini merangkum sekitar enam puluh istilah terpenting ke dalam definisi satu kalimat, disusun alfabetis agar dapat dipakai sebagai kamus saku: buka, cari, pahami, kembali ke bacaan utama. Definisi di sini sengaja ringkas; penjelasan penuh dengan contoh kode yang diuji tinggal mengikuti section yang disebut pada tiap kelompok huruf.
Satu keputusan konvensi perlu diingat sejak awal: seluruh istilah dipertahankan dalam bahasa Inggris, mengikuti kebiasaan industri. Lawan penerjemahan paksa bukan kemalasan — banyak istilah kehilangan makna teknisnya ketika diterjemahkan, dan komunitas Indonesia sendiri sudah lama memakai learning rate, loss, dan fine-tuning apa adanya di forum, dokumentasi internal, maupun wawancara kerja. Dengan menguasai istilah dalam bentuk aslinya, Anda sekaligus siap membaca dokumentasi resmi, buku, dan paper yang seluruhnya berbahasa Inggris — jembatan yang telah kita bangun pada chapter-chapter sebelumnya di section ini.
Cara Memakai Glosarium #
Tiga pola pemakaian yang paling produktif. Pertama, sebagai kamus saat membaca materi luar — dokumentasi, buku, atau paper dari chapter-chapter sebelumnya — dan bertemu istilah yang lupa maknanya. Kedua, sebagai alat uji diri: tutup kolom definisi, terjemahkan tiap istilah dengan kalimat sendiri, lalu bandingkan. Ketiga, sebagai daftar istilah kunci saat menulis laporan proyek di section Proyek — laporan yang memakai istilah dengan tepat terbaca sebagai laporan penulis yang berpengalaman.
A sampai D #
Istilah kelompok ini dibangun sejak section pengenalan dan prasyarat — fondasi yang dipakai seluruh Course. Attention dan autograd baru muncul penuh di section framework, tetapi intuisinya sudah ditanam lebih awal. Sebagian besar entri di bawah ini akan Anda jumpai sejak chapter Cara Kerja Neural Network
, jadi jangan kaget bila definisinya terasa akrab.
| Istilah | Definisi |
|---|---|
| Activation function | Fungsi nonlinier yang diterapkan pada keluaran neuron agar jaringan dapat memodelkan hubungan nonlinier. |
| Adam | Optimizer adaptif yang menggabungkan momentum dengan penskalaan gradien per parameter. |
| Attention | Mekanisme yang membuat model menimbang bagian input tertentu lebih kuat saat menghasilkan setiap bagian output. |
| Autograd | Sistem turunan otomatis pada framework yang merekam operasi selama forward lalu menghitung gradien mundur tanpa penurunan manual. |
| Backpropagation | Algoritma penghitungan gradien loss terhadap setiap parameter dengan cara merambatkan galat dari lapisan keluaran ke lapisan masukan. |
| Batch | Sekelompok sampel yang diproses bersamaan dalam satu langkah forward dan backward. |
| Batch normalization | Normalisasi aktivasi per batch yang mempercepat dan menstabilkan training. |
| Bias (data) | Kecenderungan sistematis data yang membuat model memperlakukan kelompok tertentu secara tidak adil. |
| Checkpoint | Berkas penyimpanan bobot model (dan status optimizer) pada titik waktu training tertentu. |
| Confusion matrix | Tabel silang prediksi versus label sebenarnya untuk membaca jenis kesalahan model klasifikasi. |
| Contrastive learning | Paradigma pelatihan yang menarik pasangan sampel sepadan mendekat dan pasangan tidak sepadan menjauh dalam ruang representasi. |
| Cross-entropy | Loss standar untuk klasifikasi yang menghukum prediksi probabilitas rendah pada kelas yang benar. |
| Data augmentation | Perluasan data latih dengan transformasi (rotasi, cermin, derau) yang mempertahankan label. |
| Data leakage | Bocornya informasi data uji ke proses training yang membuat skor evaluasi terlihat lebih baik dari kenyataan. |
| Dataloader | Komponen framework yang memuat batch dari dataset, mengacak, dan menyerahkannya ke loop training. |
| Decoder | Bagian jaringan yang menerjemahkan representasi terkompresi menjadi output akhir seperti teks atau gambar. |
| Diffusion model | Model generatif yang belajar membalik proses penambahan derau bertahap hingga membentuk data baru. |
| Dropout | Regularisasi yang menonaktifkan neuron secara acak selama training agar representasi tidak bergantung pada jalur tunggal. |
E sampai L #
Kelompok ini adalah kosakata harian section training dan optimasi — istilah yang paling sering muncul di kurva, log, dan tabel eksperimen sepanjang Course. Saat membaca laporan eksperimen siapa pun, lima entri pertama tabel berikut hampir pasti hadir: epoch, batch, learning rate, loss, dan fine-tuning.
| Istilah | Definisi |
|---|---|
| Early stopping | Menghentikan training saat metrik validasi berhenti membaik agar model tidak menghafal data latih. |
| Embedding | Representasi vektor rapat dari objek diskret (kata, token, gambar) yang posisinya mencerminkan kemiripan makna. |
| Encoder | Bagian jaringan yang memampatkan input menjadi representasi terkompresi yang padat informasi. |
| Epoch | Satu putaran penuh seluruh data latih melewati proses training. |
| Fine-tuning | Melanjutkan training model pretrained dengan data dan tujuan baru, biasanya dengan learning rate kecil. |
| Forward propagation | Perjalanan data dari lapisan masukan ke lapisan keluaran untuk menghasilkan prediksi. |
| GAN | Pasangan generator dan discriminator yang dilatih berlomba hingga generator menghasilkan data sulit dibedakan dari data asli. |
| Gradient | Vektor turunan loss terhadap seluruh parameter yang menunjukkan arah kenaikan loss tercepat. |
| Gradient clipping | Memangkas besaran gradien yang terlalu besar agar training stabil, khususnya pada model sekuens. |
| Gradient descent | Optimasi dasar yang memperbarui parameter melawan arah gradien demi menurunkan loss. |
| Halusinasi | Keluaran model yang tampak meyakinkan tetapi tidak berdasar pada fakta atau input. |
| Hyperparameter | Pengaturan training yang ditetapkan sebelum proses belajar dimulai, seperti learning rate dan jumlah layer. |
| Inference | Fase pemakaian model terlatih untuk menghasilkan prediksi, tanpa pembaruan parameter. |
| Learning rate | Besar langkah pembaruan parameter pada tiap iterasi; terlalu besar membuat training tak stabil, terlalu kecil membuatnya lambat. |
| Learning rate scheduling | Strategi mengubah learning rate selama training, misalnya menurun bertahap mendekati konvergensi. |
| LoRA | Teknik fine-tuning berperingkat rendah yang membekukan bobot utama dan hanya melatih matriks kecil tambahan. |
| Loss function | Fungsi pengukur selisih prediksi terhadap target yang menjadi sasaran minimalisasi training. |
| LSTM | Sel recurrent bergerbang yang menjaga informasi jangka panjang pada data sekuens. |
M sampai R #
Istilah kelompok ini berpusat di arsitektur dan regularisasi — wilayah section CNN hingga regularisasi dan generalisasi. Dua entri di sini (model card dan quantization) baru benar-benar berperan di fase produksi, saat model pindah dari notebook ke layanan.
| Istilah | Definisi |
|---|---|
| Model card | Dokumen ringkas penyerta model yang menyatakan lisensi, benchmark, cakupan data latih, dan batasan penggunaan. |
| Momentum | Tambahan optimizer yang membawa arah pembaruan sebelumnya agar langkah lebih lurus dan cepat. |
| One-hot encoding | Representasi kategori sebagai vektor biner dengan satu posisi aktif. |
| Optimizer | Algoritma yang mengubah gradien menjadi pembaruan parameter, seperti SGD, Adam, dan varian adaptifnya. |
| Overfitting | Kondisi model menangkap detail spesifik data latih hingga kinerja pada data baru menurun. |
| Perplexity | Metrik model bahasa yang mengukur seberapa bingung model terhadap teks; makin rendah makin baik. |
| Pooling | Pengurangan resolusi feature map (misalnya rata-rata atau maksimum per jendela) agar representasi ringkas. |
| Positional encoding | Informasi urutan yang disuntikkan ke input Transformer karena attention sendiri tidak memiliki notasi posisi. |
| Pretraining | Tahap training awal pada data besar dan umum sebelum penyesuaian ke tugas spesifik. |
| Quantization | Penurunan presisi angka parameter (misalnya 32-bit ke 8-bit) agar model lebih kecil dan lebih cepat. |
| Regularization | Segala teknik yang menekan kompleksitas model demi generalisasi lebih baik pada data baru. |
| Residual connection | Jalur pintas yang menjumlahkan input blok ke keluarannya, menjaga gradien mengalir pada jaringan sangat dalam. |
S sampai T #
Kelompok S dan T adalah wilayah Transformer hingga deployment — separuh kosakata terakhir Course yang dipakai dari NLP sampai produksi. Jika hanya sempat menghafal satu kelompok, pilihlah kelompok ini: token, self-attention, dan transfer learning adalah tiga kata yang paling sering muncul di diskusi deep learning modern.
| Istilah | Definisi |
|---|---|
| Self-attention | Varian attention yang membuat setiap token menimbang seluruh token lain pada input yang sama. |
| Self-supervised learning | Paradigma yang membangun label dari struktur data itu sendiri, seperti kata tertutup atau pasangan gambar-teks. |
| Softmax | Fungsi yang mengubah skor mentah menjadi distribusi probabilitas berjumlah satu. |
| Tensor | Wadah array berdimensi arbitrer — perluasan matriks ke dimensi lebih banyak — unit data dasar deep learning. |
| Token | Satuan terkecil teks setelah tokenization, berupa kata, potongan kata, atau karakter, yang menjadi masukan model. |
| Tokenization | Proses memecah teks menjadi token dan memetakannya ke indeks numerik. |
| Transfer learning | Pemanfaatan bobot model pretrained sebagai titik awal tugas baru agar training lebih cepat dengan data lebih sedikit. |
| Transformer | Arsitektur berbasis attention penuh tanpa rekurensi yang menjadi fondasi model bahasa dan visi modern. |
U sampai Z #
Kelompok penutup merangkum kosakata evaluasi dan pemakaian model — dari diagnosis training hingga mode zero-shot pada model bahasa besar.
| Istilah | Definisi |
|---|---|
| Underfitting | Kondisi model terlalu sederhana untuk menangkap pola data sehingga kinerjanya rendah di data latih maupun data baru. |
| Validation set | Bagian data terpisah untuk memilih hyperparameter dan memantau generalisasi selama training. |
| Vanishing gradient | Pelemahan gradien yang semakin kecil saat merambat ke lapisan awal sehingga lapisan itu nyaris tidak belajar. |
| Weight decay | Regularisasi yang menghukum bobot besar dengan menambahkan besarnya ke loss. |
| Zero-shot learning | Kemampuan model menyelesaikan tugas tanpa contoh langsung, cukup berbekal instruksi teks. |
Enam puluh istilah di atas menutup perjalanan yang kita tempuh bersama: dari memahami apa itu deep learning di bab pertama, menulis neuron pertama dengan NumPy, melatih jaringan di dua framework, menelusuri CNN hingga Transformer, sampai menyajikan model lewat API di bab-bab deployment. Perjalanan itu tidak berhenti di halaman ini — dokumentasi resmi, buku, kursus, dataset, model pretrained, dan paper pada chapter-chapter sebelumnya adalah tiket lanjutannya. Simpan glosarium ini di bookmark: istilah yang hari ini terasa asing akan berubah menjadi kosakata harian Anda, dan saat itu terjadi, Anda sedang berdiri di titik yang jauh lebih tinggi daripada halaman pertama Course ini.