S6E1 | Intuisi dan Cara Kerja Convolutional Neural Network (CNN) | Deep Learning Basic

[@atlantic-27]

tutorial yang sangat baik,btw saya lulusan kelas 3 sd belajar ML alhamdulilah masih banyak orang baik yang memberi tutorial bagus🎉🎉

[@adminofficial-f6d]

Masih ado Orang BAIK nyaa kayak giini.... SEHAT terusss Bang

[@sitinurazizahfitrianiakbar6800]

Untuk saya anak ilmu komputer yg tidak ngerti logikanya deep learning, tutorial ini sangat membantu sekali sekali. Terimakasih sudah peduli sama orang yg mau belajar deep learning tapi pas cari referensi, ketemu bahasa2 yg sulit dimengerti wkwk. Terus berkarya membumikan deep learning kak 😊😊

[@JCOpUntukIndonesia]

Thanks so much testimoninya Siti. It means a lot. Tetap semangat untuk belajar ya :)

[@joshuasitompul2000]

gila sih ini pengetahuan luar biasa banget

[@rifkymuhammad4536]

Terima kasih, Kak Wira, atas materi yang membantu saya memahami konsep-konsep CNN dengan lebih baik dan kak Wira menyajikan materi yang kompleks tentang deep learning dengan bahasa yang mudah dipahami.

[@JCOpUntukIndonesia]

Terima kasih kembali 🙏

[@andsoeeeee12]

Terimakasih banyak ilmunya bang, saya sangat terbantu karena penjelasan abang yang cukup terstruktur dan sangat jelas. Telat banget saya ketemu channel ini.

[@sarilaveniatampubolon6462]

Keren banget sih penjelasannya mudah di pahami, makasih pak👍

[@senioritax9703]

Mas Wira terimakasih atas ilmunya. Kenapa gw baru Nemu ini channel yang jos dalam menjelaskan. Kebanyakan gw nemunya dari negeri prindapan

[@JCOpUntukIndonesia]

Terima kasih kembali Senioritax. Iya... Justru sengaja dalam bahasa Indonesia supaya membantu teman" yang ada language barrier, dan sengaja gratis juga supaya bisa diakses siapa saja. Saya ikut senang kalau videonya bermanfaat.

[@senioritax9703]

@@JCOpUntukIndonesia sangat sangat bermanfaat bang. Soalnya bhs Inggris teknik beda dengan bhs Inggris biasa. Di tunggu konten nya bang. Ada grup komunitas atau apa bang ??

[@JCOpUntukIndonesia]

@@senioritax9703 saya ga buka grup komunitas sih. Tapi saya banyak di grup komunitas" indonesia kok. Untuk komunitas indonesia silahkan search video saya yang referensi belajar Coba search "referensi recommended belajar data science"

[@ardoardi8849]

Saya mengucapkan terima kasih yang sebesar-besarnya kpd mas wira atas materi ilmu yang diberikan, luar biasa. Baru di video ini saya paham cnn, di video lain saya kesulitan memahaminya

[@JCOpUntukIndonesia]

Terima kasih kembali pak. Saya turut senang ketika videonya bisa bermanfaat.

[@muhammadmauludinanwar3151]

Ini mudah di mengerti, terima kasih

[@KinaSalimafa]

asataga enak banget cara jelasinnya ... ada coursnya ngga sih kak

[@JCOpUntukIndonesia]

Bisa cek di playlist, dan ada baiknya belajar berurut dan tidak lompat lompat ya

[@anandafairuz1163]

terimakasih mas

[@withrejkapermana6087]

MANTAPPP BUAT ROADMAPP.. THANKSSSS...Bang,, request biar bisa berlangganan.. hehe

[@JCOpUntukIndonesia]

Terima kasih untuk dukungannya. Saya juga senang kalau materinya bisa bermanfaat.

[@AHMADKELIX]

izin belajar kak trmksh

[@trinovriza4419]

bagus banget penjelasannya mudah dimengertiii. mau nanya dong kak wira, misal ada kasus deteksi pengguna masker pake cnn dgn 2 label yaitu mask dan no mask. kalo kita implementasikan kerja cnn ini ke angka (hitung manual), gimana cara nentuin bahwa hasil tersebut merupakan hasil untuk mask , atau kebalikannya?

[@JCOpUntukIndonesia]

Bisa. Itu kan sudah manual ya. Komputasi di deep learning itu menggunakan perkalian matriks. Jadi kalau mau sampai ke detail perhitungannya ya silahkan ikuti yang sudah saya jelaskan dan translate saja step by step. 1. Pelajari dulu aljabar linear 2. Tiap kali konvolusi itu bisa diubah jadi perkalian matriks sebagai berikut images.app.goo.gl/EuAdL8MYwvvLKmK49 3. Tiap kali max-pooling tinggal ambil maks dari kernel yang digunakan 4. Sisanya dilanjutkan ke neural network yang perhitungannya sudah saya bahas di video pertama course sebelumnya. Pada dasarnya juga merupakan perkalian matriks. Kurang lebih seperti di bawah ini output = A4(w3*A2(w2*A1(w1*X))) Boleh cek detailnya di video itu. 5. Detail tambahan terkait fungsi aktivasi juga ada saya bahas di video itu. Formulanya juga ada. Sisanya tinggal gabungkan semua 5 poin tersebut maka bisa dihitung manual Tapi saya tidak melihat saja apa manfaatnya dihitung manual seperti itu toh yang dihitung komputer juga seperti itu. Layaknya kita di komputer / kalkulator sudah langsung tinggal pakai sin(x), tapi kenapa hitung manual pakai deret Taylor, toh komputer juga hitungnya pakai Taylor hahaha. Kalau untuk implementasi code nya itu ada di video" setelah ini

[@trinovriza4419]

@@JCOpUntukIndonesia waaahhh terima kasih banyak kak. Detail sekali penjelasannya. Iya kak hitung manual itu salah satu syarat yg harus ada di skripsi saya sebagai pembuktian kalau kita tau cara cnn bekerja dan (maunya dosen) harus semirip mungkin hasil manual sama hasil komputasi. Saya juga ga paham kenapa harus hitung manual, padahal sudah banyak tools yang tinggal pakai dan mudah dimengerti But thank a lot kak, sehat selalu dan ditunggu video2 lainnya😊

[@muhamadagung2534]

Kak wira apakah membuka pelatihan atau bootcamp lagi seperti ini ? rasanya saya pengen ikutan supaya bisa berinteraksi secara langsung dengan kak wira. Apalagi sekarang sepertinya AI sudah semakin gencar semenjak kemunculan Chat GPT

[@JCOpUntukIndonesia]

Saya sudah tidak mengajar di tempat lama lagi semenjak pandemi. Jadi tidak ada pelatihan publik lagi. Kalau mau workshop, bisa by request selama pesertanya lumayan banyak

[@dexnug]

permisi kak wira, mau nanya nih. saya melihat beberapa paper n tutorial dmn CNN untuk klasifikasi suara. kak wira ada pembahasan atau tutorial tentang itu gk ya?soalnya penjelasan dr kak wira ni mudah dimengerti buat orang awam kaya sy.

[@JCOpUntukIndonesia]

Untuk di course itu tidak ada. Soalnya penerapan klasifikasi suara masih jarang di Indonesia jadi waktu saya ngajar dulu tidak bahas sampai ke sana. Saya pernah sih bahas itu, tapi sayangnya diluar rekaman. Jadi tidak ada ya.

[@hanujirahmatnagoro4518]

ini webinar apa sih ..? baru lihat ini saya... bagus presentasinya utk saya yg Nuub sedang TA CNN :D Tengkyu + Manteb lagi kalau ada sitasi dari smua "core of the core" penjelasannya Mas Wira :D

[@JCOpUntukIndonesia]

Terima kasih mas Hanuji Materinya saya sampaikan menggunakan interpretasi dan pemahaman saya terhadap topiknya, jadi mungkin tidak ada sitasinya karena itu merupakan cara pandang saya terhadap teknologi ini. Ilustrasi juga saya buat sendiri dan kalau menggunakan ilustrasi orang biasa sumbernya sudah langsung saya jelaskan dan saya berikan link nya di notebook. Kalau mau core of the core mungkin agak sulit ya soalnya ini teknologi yang sudah ada sejak puluhan tahun lalu. Kalau tertarik boleh langsung ke papernya mas www.cs.princeton.edu/courses/archive/spr08/cos598B/Readings/Fukushima1980.pdf Kalau referensi belajar, itu sudah menjadi bagian dari materi ngajar saya juga. Biasa saya share di akhir Course 6. Bisa di cek di sini mas untuk videonya Materi Bonus | Apa referensi lain yang recommended untuk Belajar Data Science dan AI kzbin.info/www/bejne/hnfblqSlorR7rtk Semoga bermanfaat mas Hanuji.

[@hanujirahmatnagoro4518]

@@JCOpUntukIndonesia : waaaah terimakasih banyaaakkk... oiya mhon izin utk bertanyaa..... kan CNN trdiri dari feature extraction n classification.. utk ekstraksi fitur sesuai materi bhwa urutannya (konv-relu-pool) .. slanjutnya classification yg isinya dense fully konek + dense output, sperti apa ya proses d dlmnya..? Forward/backward pass itu kah ? Adkah video yg udh d upload utk bisa sya tonton.. ? Skali lagi trimakasiih

[@JCOpUntukIndonesia]

iya betul, feedforward, dan backprop (kalau memang pakai gradient based optimizer) Kalau itu mungkin mas Hanuji belajar tentang Neural Network dulu ya di Course 5 Bisa di cek di bagian playlist. Kalau untuk mathematicnya tidak saya bahas mendalam soalnya semua materi saya memang untuk orang awam yang mau belajar machine learning. Jadi saya lebih fokus ke intuisi dan ide nya, daripada hitung-hitungannya supaya bagian komputasi saya serahkan ke framework seperti Tensorflow / PyTorch. Hehehe

[@hanujirahmatnagoro4518]

@@JCOpUntukIndonesia : terimakasih pencerahannya :D

[@JCOpUntukIndonesia]

Terima kasih kembali mas Hanuji :)

[@KAPISTA]

30:58 Stride = 1, padding 0, filter 3x3

[@KAPISTA]

32:13 stride 1, padding 2, kernel 4x4

[@KAPISTA]

32:55 stride 2, padding 1, kernel 3x3

[@JCOpUntukIndonesia]

@@KAPISTA good job... Sudah benar semuanya hehehe

[@otakuboy8714]

kak wira apa ada pembelajaran tentang yolo yang telah kakak buat?

[@JCOpUntukIndonesia]

Tidak ada rekamannya

[@hilariusjeremy5766]

Kak Wira, mau tanya dong. Untuk jumlah filter yang optimal kita masih tentuin dari bias-variance tradeoff kan ya? Dan untuk FC network terakhir, ini apakah kita pakai deep layer juga atau cuma 1 layer spesifik task ya (kyk 1 layer softmax saja)? Dan cara kita tahu image kita sudah cukup kecil setelah conv-relu-pull itu seberapa kecil ya? Thanks banget Kak Wira!

[@JCOpUntukIndonesia]

- Yup, bias-variance tradeoff tetap berlaku - bisa, FC yang terakhir itu ANN, boleh beberapa layer, boleh sebebasnya kita design arsitekturnya - ga mesti kecil juga kok, jadi itu tidak ada jawaban benar salahnya. Selalu akan ada di gray area, jangan terlalu kecil, tapi jangan terlalu besar juga. Both would technically work. Deep Learning sepintar itu untuk bisa adapt walau arsitektur yang kita coba berbeda-beda.

[@zakiahdarajatnurfajrin3352]

kak wiraa... mau nanya, gimana cara nya CNN untuk data tabular ka???? karena mau build model untuk data yang terbatas, jadi harus pake learning data dari hal yang mirip dengan target prediksinya.. pliss arahannya ka :D

[@JCOpUntukIndonesia]

Data tabular sebaiknya tidak menggunakan deep learning. Apalagi CNN. Di kasus datamu, kalau data tabularnya stateless, itu tidak bisa pakai CNN. Bisanya ANN. Kalau time series, itu masih bisa, jadinya pakai 1D CNN, tapi kita sama" tau untuk time series alangkah lebih baik bukan pakai CNN. Kalau seperti di video ini, itulah penggunaan 2D CNN yang ideal. Ada benefit dari koneksi antar fitur nya secara spasial. Kalau build model untuk data terbatas, jangan sentuh deep learning. Deep learning itu butuh data yang banyak karena weight yang mesti di learn juga banyak. Kecuali jika datanya itu unstructured dan sudah ada pretrained modelnya, maka bisa transfer learning pada data yang lebih sedikit.

[@rifkigustiawan1946]

Pak Wira berarti perkalian matriks pada proses convolusi itu tidak sama dengan perkalian matriks pada matematika ya, kalau di matematika itukan kombinasi linear dari baris * kolom. Sedangkan klo di convolusi yang Pak Wira jelaskan, itu hanya kombinasi linear dari perkalian untuk koordinat yang sama saja ya (ai* bi + aj*bj + ...) ? Selanjutnya apakah size matriks dari suatu gambar apakah selalu matriks persegi ?

[@JCOpUntukIndonesia]

Sama saja kok. Proses translasi di konvolusi juga bisa ditranslate ke perkalian matriks yang ekivalen. Kurang lebih gambarannya seperti ini images.app.goo.gl/7ZH4NrKfTifxtX396

[@ekisatria52]

Terima kasih ilmunya bg.. Perhitungan batch normalization pada convolutional layer arsitektur ResNet seperti apa bg?,

[@JCOpUntukIndonesia]

Kita ambil contoh di Neural Network dulu ya prinsipnya sama seperti normalization biasa X_new = (X_old - mean) / mu tapi sekarang kita buat normalization nya itu "trainable" supaya nanti optimizer kita bisa menemukan normalization yang membantu untuk kasus data kita. X_norm = alpha*X_new + beta alpha dan beta itu weight yang nanti di update saat backprop. Kalau itu sudah paham Tinggal lakukan hal yang sama tapi kali ini 2D

[@ekisatria52]

@@JCOpUntukIndonesia jikalau kita kita lihat pada tahapan ResNet setelah gambar di input kan, lalu dilakukan zero padding, setelah itu dilakukan convolutional, lalu batch normalization, bagaimana itu bg penerapan batch normalization dalam kasus seperti itu bg?

[@JCOpUntukIndonesia]

@@ekisatria52 Penerapan pakai PyTorch maksudnya?

[@ekisatria52]

@@JCOpUntukIndonesia bukan bg, Lebih ke konsep perhitungan manualnya, maksudnya bagaimana proses matematika pada tahapan batch normalization bg

[@JCOpUntukIndonesia]

@@ekisatria52 Bukankah sudah saya jawab kalau untuk perhitungannya?

[@mozarellachan5854]

misalnya arsitektur yang dipakai seperti ini. conv2d conv2d maxpool flatten dense dense apakah yang dilakukan training (bacpropagation) hanya dari flatten sampai dense fully connected layer terakhir saja? atau Conv2D itu juga dilakukan back propagation? Terimakasih 🙏🏻🙏🏻

[@JCOpUntukIndonesia]

Conv juga. Angka yang ada di dalam filter atau kernel nya itu awalnya random weight dan akan di update dengan backprop.

[@mozarellachan5854]

@@JCOpUntukIndonesia apakah ada pembahasan cara backprop dari flatten ke conv2d nya? :D

[@JCOpUntukIndonesia]

@@mozarellachan5854 tidak ada, tapi ya secara formula sama saja. Karena semua kan perkalian matrix, jadi mau itu dense, mau itu conv, sama saja.

[@mozarellachan5854]

@@JCOpUntukIndonesia okeeh, bang.Saya coba pelajari lagi.

[@mozarellachan5854]

@@JCOpUntukIndonesia misalkan ada input 9x9, nah dilakukan conv 2d, jadinya kan 7x7 ya kalau ga salah. Pertanyaan saya. Apakah kernelnya itu tetap sama weightnya untuk semua iterasi stride alias ya weight kernel itu aja yang jalan jalan? Atau tiap stride kernel punya weight masing-masing? Jadinya pada layer convolution tersebut, dia punya weight 49 kernel? terimakasih 🙏🏻

[@DediIrawan-se4dr]

izin nanya mas wir, kalau model attention network itu apakah ada coursenya di channel ini?

[@JCOpUntukIndonesia]

Attention Network saya tidak tahu sih. Attention Mechanism mungkin ya maksudnya? Ya, dulu saat saya masih mengajar belum bahas kesana.

[@raflyhidayat9687]

mau tanya course 4 itu yang mana ya link nya saya masih bingung tentang filter atau kernel

[@JCOpUntukIndonesia]

Semua course ada playlist nya, bisa cek di playlist KZbin Ini saya bantu, Course 4 kzbin.info/aero/PLGn1wRmlR3Mu9FIts-F3OcEed2hq3wwEb

[@raflyhidayat9687]

@@JCOpUntukIndonesia baik kak terima kasih

[@raflyhidayat9687]

Maaf kak izin tanya lagi cnn ini dengan dataset yang beupa dataset (traning, validasi dan test ) itu bagaiimna ya prosesnya?

[@raflyhidayat9687]

dan proses fungsi aktifasi softmax itu bagaimana ya dalam cnn?

[@JCOpUntukIndonesia]

Ada tuning tidak? kalau tidak, sebenarnya tidak butuh validation set. Kalau tetap mau pakai validation set ya tidak masalah, proses nya tidak ada yang beda.

[@JCOpUntukIndonesia]

Softmax itu dipakai di akhir CNN nya, yaitu di classifier head nya. Gunanya untuk merepresentasikan output dari Neural Network sebagai Probabilitas. Sering kan ya lihat AI prediksi kucing, lalu ditandai confidence 95% Itu angka 95% nya ya bisa kita peroleh berkat softmax ini. Formula Softmax itu sederhana, output dari neural network nya kita beri exp() semua, lalu tinggal normalisasi saja. Normalisasi cuman supaya total nya selalu 1 (kan probabilitas kalau ditotal mesti 1) Contoh: - Jika kita ada output dari NN seperti ini >> output = np.array([1, 2, 3, 4]) - Kita exponen-kan dulu >> exp_output = np.exp(output) - Tinggal dinormalisasi >> softmax = exp_output / exp_output.sum()

[@raniartacche2023]

halo ka, maaf mau tanya. normalization itu activation function (di video Jason Yosinski_deep visualitation)?

[@JCOpUntukIndonesia]

Batch normalization maksudnya? Beda sih sama activation function.

[@raniartacche2023]

@@JCOpUntukIndonesia Oh gitu, yang di video itu berarti batch norm ya ka?

[@JCOpUntukIndonesia]

@@raniartacche2023 boleh dibantu timestamp nya? Supaya ga miskom

[@raniartacche2023]

@@JCOpUntukIndonesia 1:12:59 Ada tulisan conv1, p1, n1 . Saya kurang paham n1 itu apa ka?😅

[@JCOpUntukIndonesia]

@@raniartacche2023 betul, n1 itu layer untuk batch normalization

[@mastervcxz468]

Apakah ada course untuk dipelajari dalam mendeteksi plate nomor kendaraan menggunakan deep learning?

[@JCOpUntukIndonesia]

Belum ada

[@anggitaramadhani998]

kak wira maaf mau tanya, di CNN seperti yang di video dia belajar untuk memilih edge detection sendiri yang sesuai dengan datanya seperti sobel sharpen blur dsb, jadi kita tidak perlu menambahkannya secara manual, apakah di arsitektur cnn seperti resnet juga melakukan hal yang sama? kalau iya dibagian mana nya ya kak? karena saya coba liat arsitektur resnet yang di torchvision hanya terdapat konvolusi, batch normalization, relu, maxpool, cmiiw kak, maaf kalau ada yang keliru kak, terimakasih sebelumnya

[@JCOpUntukIndonesia]

Convolution itu menggunakan kernel / filter yang nantinya dia learn filter apa saja yang perlu dia pakai dalam menyelesaikan suatu task. So ResNet yang penuh dengan convolution ya itu semuanya menggunakan banyak filter yang berbeda-beda.

[@anggitaramadhani998]

@@JCOpUntukIndonesia berarti untuk edge detector seperti canny, robert, prewitt, dan sobel itu masuk di dalam tahap preprocessing ya mas bukan dibagian convolution?

[@winnetouruthkyrieangelawul7505]

permisi kak ijin bertanya klo kegunaan cnn dalam bid arsitektur mnr kakak dari cara kerja cnn gimana kak? soalny saya masih agak kurang paham hehe

[@JCOpUntukIndonesia]

coba nonton video course ke-0 supaya kebayang kapan deep learning sebaiknya digunakan, kapan deep learning tidak cocok untuk digunakan. contoh penerapan di bidang arsitektur House-GAN: kzbin.info/www/bejne/jaCQaZZ5lMaMaqc Building-GAN: kzbin.info/www/bejne/nJvNp2SbjKZ5ZtU GAN itu teknologi berbeda, tapi di dalamnya ada menggunakan CNN

[@gabriellachristinakandinat1925]

kak Wira, izin bertanya. Untuk ilustrasi youtube CNN nya, yang pertama ketika telah digunakan 2 filter menjadi 2 fitur lalu ReLU dan pooling. Hasilnya dijadikan 1 (dengan 2 channel) baru dikonvolusi lagi. Sedangkan pada iterasi kedua, hasil dari poolingnya digabungkan jadi atas bawah ya kak? Saya masih bingung, apakah berarti sebenarnya dari pooling itu dijadikan 1 namun channel 1+. Selain itu, ketika sudah hasil akhir digabungkan atas bawah? Thank you ko, maaf berbelit pertanyaannya

[@JCOpUntukIndonesia]

Itu hanya ilustrasi untuk softmax Practice nya ya kita flatten lalu masukkan ke ANN dan di softmax kan

[@gabriellachristinakandinat1925]

@@JCOpUntukIndonesia ohh oke kakk terima kasih

[@wynonacallcall7610]

Pak izin bertanya jadi filter di cnn itu otomatis atau bagaimana ya pak? Bagaimana menentukan ukuran dan angka di dalam filternya itu otomatis juga atau gimana ya pak?

[@JCOpUntukIndonesia]

Tidak. Nilai yang digunakan di filternya itu di train layaknya kita train weight di ANN. Kalau ukuran, itu pilihan, mau ukuran 3x3 atau lebih, mau berapa banyak jumlah filternya, itu kita yang tentukan, layaknya menentukan jumlah neuron di hidden layer ANN.

[@wynonacallcall7610]

@@JCOpUntukIndonesia apakah ada link yang langsung mencotohkan ukuran filter pak dan angkanya? Karena saya disuruh mencoba menghitung manual angka2 filter dengan angka2 pixel gambar yang saya gunakan pak

[@JCOpUntukIndonesia]

@@wynonacallcall7610 di video ini bukankah ada dicontohkan?

[@wynonacallcall7610]

@@JCOpUntukIndonesia iya pak masih bingung aja sih pak saya kalau punya ukuran misal 120*120 pake filter berapa, izin bertanya lagi pak kalau misal ada gambar yang saya punya ukuran 39*120 tapi yang lain ukuran normal 120*120 apakah ukuran yang kecil itu tidak bisa dimasukkan sebagai data awal ya pak?

[@JCOpUntukIndonesia]

@@wynonacallcall7610 kalau pakai filter berapa, itu bebas, biasanya yang dipakai itu filter 3x3 atau 5x5. Jangan kegedean supaya training nya tidak terlalu berat. Untuk yang 39*120, ada beberapa pilihan: - Resize Kalau misal itu 39*120 saya resize dan stretch jadi 120*120 apakah gambarnya masih masuk akal? apakah target label nya masih bisa terlihat jelas? atau malah gambarnya sudah ga relevan? Kalau gambar nya jadi tidak relevan dengan label, maka jangan di resize. - Crop and Resize Apakah bisa gambar tersebut kita crop jadi 39*39 yang mengcapture si label? kalau bisa, maka crop dan kemudian resize jadi 120*120. Setelah resize, apakah gambarnya terlalu blur? apakah labelnya masih bisa terlihat dan masuk akal? Kalau tidak, maka jangan dilakukan crop dan resize ini. - Remove Kalau memang 2 pendekatan sebelumnya tidak bisa dipakai, kemungkinan besar kita akan memilih untuk tidak usah pakai 1 data itu.

[@jengkeldeh6654]

Kak Wir mau nanya, kalau dalam menentukan jumlah feature map di layer konvolusi apa ada standarnya? Semisalkan saya menggunakan feature map 16 di layer konvolusi pertama, terus kedua feature map 32

[@JCOpUntukIndonesia]

Lebih tepatnya berapa filter yang ingin digunakan, bukan feature map ya. Walau ya 1 filter akan menghasilkan 1 feature map. Pemilihan banyaknya jumlah filter itu sama seperti pemilihan banyaknya jumlah neuron di Neural Network. Untuk kasus sederhana, itu masih bisa kita tentukan (cek course 5 ep 1), tapi untuk kasus yang sehari-hari kita temui, itu tidak ada patokannya dan kita tidak benar" tahu berapa jumlah filter / neuron yang dibutuhkan. Oleh sebab itu, biasanya kita pakai power of 2. Tujuannya supaya misal nih kita pakai 512, ternyata overfit nih, ya dengan mudah kita kecilin dengan dibagi 2, jadi 256. Istilahnya mudah kita upscale dan downscale ketika dibutuhkan. Penggunaan angka power of 2 juga sebenarnya ada benefit kecepatan tambahan dari sisi hardware processor kita (cek "Why computers like power of 2") Banyak yang akhirnya bahkan tidak mau banyak mikir dan buat model mubazir, seraksasa mungkin dulu, baru dikecilin. Jadi tidak ada patokannya ya, kalau underfit... upscale, overfit... Downscale, tetap ga bisa? Kemungkinan problem di case / datanya. Bukan modelnya.

[@jengkeldeh6654]

@@JCOpUntukIndonesia makasih kak Wir, sekarang sudah paham. Oh iya kak Wir,di CNN kan ada yg namanya dropout sama dense, itu juga pemilihan nilai angkanya gimana yah kak wir?

[@JCOpUntukIndonesia]

@@jengkeldeh6654 kayaknya kamu perlu review kembali dulu course 5. Basic nya disana ya.

[@beritahu_id]

Apa ada course nya kak? Mohon info nya dong untuk course ini jika ada.. Terima kasih

[@JCOpUntukIndonesia]

Semua course nya sudah saya susun menjadi playlist. Silahkan cek di bagian playlist mas Fauzan. Terima kasih

[@beritahu_id]

@@JCOpUntukIndonesia Baik terima kasih..

[@kustoyo8473]

Hallo bang, bedanya image recognition sama image detection itu apa ya? Struktur nya itu seperti apa?

[@JCOpUntukIndonesia]

Object detection mungkin maksudnya ya Kalau image recognition itu task klasifikasi... Outputnya probability masing" class Kalau Object Detection itu mixed, selain mengeluarkan N*4 untuk N bounding box, dia juga keluarkan class probability masing-masing box nya. Dari arsitektur, kurang lebih object detection menggunakan arsitektur image recognition, tapi dilanjutkan lagi.

[@KAPISTA]

Kak wira, mau tanya dong di menit 44:13 . Nah itu kan dari gambar asli di convolutional menggunakan 2 kernel. kemudian di relu dan abis relu di pooling untuk masing2 kernel ya. Nah setelah di pooling itu kan kak kemudian mendapatkan feature map berdasarkan jumlah kernel yaitu 2. Nah pertanyaan saya kak, feature kernel ini digabungkan dan menjadi feature model 3d kah atau? Bisa kak wira jelaskan dibagian tersebut?

[@JCOpUntukIndonesia]

Betul. Semua featurenya diconcatenate Gambar awal kita 1 channel... Trus kalau pakai 2 filter... Gambar baru kita jadi 2 channel hasil concatenate feature map masing" filter. Ada dibahas di akhir sekitar 1:07:40

[@codeeasmr]

hallo mas izin bertanya, jika saya menggunakan kasus deteksi helm pada pengendara sepeda motor menggunakan cnn. Apakah dataset yang saya gunakan gambar keseluruhan pengendara motor+helm atau tidak, atau hanya gambar pengendara dari dada sampai ke helm nya aja? lalu jika kasusnya saya menggunakan gambar full motor+pengendaranya, logika nya bagaimana ya cnn mengenali bahwa data tersebut merupakan pengguna helm atau bukan pengguna helm. Terimakasih

[@JCOpUntukIndonesia]

Kalau untuk Object Detection akan berbeda dengan Image Recognition ya. Object Detection tentu bisa menggunakan CNN juga, cuman arsitekturnya nanti berbeda dengan kebutuhan Image Recognition. Kalau Object Detection akan otomatis memberikan bounding box, sebaliknya Image recognition menggunakan keseluruhan image dan di klasifikasi. Gambar yang digunakan apakah setengah badan saja atau tidak itu sebaiknya kembali ke kameranya mendapatkan data seperti apa. Karena misal kita sudah buat model yang setengah badan ke atas... Kita kan ga bisa maksa pengendara motor singgah depan kamera sampai sisa setengah badan atas. Jadi depend nanti data in the wild nya bagaimana, mulai dari sana alur kita bekerja. Logika CNN mampu mengenal tersebut tentu karena hasil konvolusi itu sehingga dia bisa mempelajari citi-ciri dari sebuah helm, seperti kalau video ini ada terlihat dia bisa mempelajari fitur wajah, tulisan, pinggir kertas, dll.

[@codeeasmr]

@@JCOpUntukIndonesia ohhh gitu mas. Jadi kalau pun dataset saya menggunakan full motor+pengendaranya cnn masih bisa tau kan itu pengguna helm atau bukan? Makasihh mas 🙏

[@JCOpUntukIndonesia]

@@codeeasmr Bisa karena CNN itu translation invariant (ga dipengaruhi oleh translasi / lokasi objek nya) Di sisi lain, kalau menggunakan Image Recognition. Ketika di dalam 1 gambar ada 2 pengendara motor. Yang 1 pakai helm 1 tidak, maka prediksi nya bisa bias / ngaco ya. Jadi tentukan dengan baik apakah task yang mas React butuhkan itu Object Detection atau Image Recognition.

[@amarmaruff7621]

Permisi Kak Wira, saya mau nanya nih. Selain CNN, algoritma lain macam Random Forest dan XGBoost itu kira-kira bisa dipakai buat klasifikasi gambar yang ukuran datasetnya besar gak ya?

[@JCOpUntukIndonesia]

Bisa, tapi kekurangannya tidak translation invariant nanti

[@amarmaruff7621]

@@JCOpUntukIndonesia Tapi kalau didalam CNN kita gabungin masing-masing Random Forest & XGBoost untuk perbandingan akurasi. Misalnya CNN + Random Forest akurasinya segini, CNN + XGBoost akurasinya segini. Itu kira-kira bisa gak ya?

[@JCOpUntukIndonesia]

@@amarmaruff7621 plus? maksudnya gimana itu CNN + RF? CNN + XGB? Output dari CNN dilanjutkan ke RF / XGB gitu? Kalau CNN sebagai classifier nya ya tidak bisa, tapi kalau CNN hanya sebagai encoder nya, itu masih bisa, tapi mesti pakai pretrained model.

[@yevandry4682]

mau tanya ya, ini khursus atau gimana ya, saya tertarik ikut belajar gininan mas, terimakasih mas.

[@JCOpUntukIndonesia]

Iya betul, ini ketika saya masih mengajar di bootcamp. Saya sudah tidak mengajar sejak pandemi. Semua pelajarannya dari course 0 ada di playlist boleh di cek.

[@alimsuryamadya.r867]

kak wira itu yang di menit 20:16 tuh perkalian matriks kah? kok kaya beda ya sm yg d mtk? d mtk baris x kolom dan hasilnya bakal jadi matriks 2x2 lagi? sdkit bingung

[@JCOpUntukIndonesia]

Bukan, itu element-wise multiplication masing-masing angkanya langsung dikalikan biasa aja misal ada [[a, b], [c, d]] dan [[1, 2], [3, 4]] kalikan saja a1, b2, c3, d4

[@alimsuryamadya.r867]

@@JCOpUntukIndonesia terimakasih kak wiraa

[@KAPISTA]

Kak mau tanya dong, kalau startnya dsni masi butuh pandas, sklearn kah? Atau tidak? Apa saja package2 yang dibutuhkan ketika startnya dsni kak? Miniconda dan jupyter jga ya?

[@JCOpUntukIndonesia]

Masih... Tapi seperti biasa pakai environment ya github.com/wiradkp/deep_learning

[@BBsBaPsR]

mau tanya, kalo untuk sebuah image nentuin angka2nya bagaimana? jika sudah mendapat numpy arraynya bagaimana mengubah nilai2nya kedalam kotak2 seperti itu?

[@JCOpUntukIndonesia]

nentuin angka yang dimaksud angka apa Alif? lalu kalau di deep learning, nanti kita menggunakan framework deep learning supaya lebih optimal. Di course ini pakai PyTorch (Silahkan cek course 5 di playlist dahulu). PyTorch nanti yang akan memproses gambar menjadii tensor untuk perhitungan ini.

[@citrasuardi4928]

kak boleh bagi link mengenai penjelasan kernel pada menit 10:21 ? pengen coba demo sendiri

[@JCOpUntukIndonesia]

Ini link nya, tapi kelihatannya website nya sudah mati matlabtricks.com/post-5/3x3-convolution-kernels-with-online-demo

[@febisyarif8262]

bang filternya itu bebas atau udah ketentuan filternya harus kernel 2x2 sama angkanya segitu??

[@JCOpUntukIndonesia]

Bebas kok, tapi biasa kalau untuk konvolusi 3x3 dan 5x5 uda cukup ok. Kalau terlalu besar nanti modelnya terlalu heavy. Begitu pula polling biasa pakai 2x2 supaya tidak langsung terlalu banyak informasi yang diagregat, tapi perlahan dan bertahap.

[@febisyarif8262]

@@JCOpUntukIndonesia angka di dalam kernelnya juga bebas bang atau ada ketentuannya?

[@rizkiakbarn5070]

link yang buat demo keknya sudah mati, punya source yg lain ga min?

[@JCOpUntukIndonesia]

Wah sayang sekali ya. Yang lain saya kurang tahu tapi bisa search google atau buat sendiri hahaha.

[@marlinawati1047]

Fh j

[@shahihtv2582]

kalo nilai accuracy meningkat sedangkan nilai val_accuracy tidak meningkat hanya tetap di nilai 50%, ini kasusnya overfit atau gimana ya?

[@JCOpUntukIndonesia]

Konstan 50%? Pastikan dulu code nya ada bug tidak tuh?

[@JCOpUntukIndonesia]

@@shahihtv2582 wah saya sudah beberapa tahun tidak pakai keras. Mungkin coba cari tahu mandiri dulu ya. Saya tidak bantu dulu. Mohon maaf.

[@shahihtv2582]

@@JCOpUntukIndonesia ok kak, gak papa . Thanks

[@asnac885]

Animasi pembelajaran bagus, pakai apa bang?

[@JCOpUntukIndonesia]

Animasi yang di menit berapa? Coba kasih timestamp nya

[@asnac885]

@@JCOpUntukIndonesia hampir menyeluruh di durasi videonya, apakah itu menggunakan python? Boleh pinjam codingnya bang?

[@JCOpUntukIndonesia]

@@asnac885 hampir menyeluruh? apa jangan-jangan yang dimaksud jupyter notebook? Kalau itu, alangkah lebih baik mulai dari course pemula, itu ada diajarkan instalasi jupyter, library-library untuk course nya dan serta download materinya. atau ikuti link github di deskripsi

[@asnac885]

@@JCOpUntukIndonesia ooh begitu .saya memang newbie..ok deh

[@JCOpUntukIndonesia]

@@asnac885 kalau newbie. Alangkah lebih baik jangan lompat ke course 6. Mulai dulu dari course 0. Cek playlist.

[@PandaKucing-w9g]

Mas 44:44 divideo itu dia jadi 2 channel ya , kemudian difilter lagi , apakah difilternya nanti masing-masing channel secara bergantian ? Atau 2 channel itu sebenarnya satu kesatuan gambar ? - sama feature map itu sebenarnya hasil dari gambar yang difilter kan , jdi misalnya ada gambar apel yang difilter dengan filter blur hasil konvolusinya itu feature map berupa gambar apel blur, jadi feature map itu sebenarnya hasil respon dari filter saja ya , -misalnya lagi 1 gambar apel dikonvolusi dengan 8 filter maka hasilnya akan ada 8 gambar hasil filter lalu dikonvolusi lgi dengan 16 filter, apakah 8 gambar satu persatu dikonvolusi dengan 16 filter? Jdi 8 x 16 Mohon penjelasannya terima kasih ya

[@JCOpUntukIndonesia]

Karena ini Conv2D Misal input nya itu 2 channel, maka ukuran filternya itu 2x(3x3) -> 2 lapis, sehingga output nya tetap 1 lapis, yang kita sebut feature map. Gampangnya sih: Konvolusi N Filter -> ada N feature map -> digabung jadi output dengan N channel Jadi walau feature map nya ada 8 channel, lalu dikonvolusi pakai 16 filter berbeda, outputnya ya tetap 16 channel, bedanya ukuran filternya 8x(3x3).

[@PandaKucing-w9g]

@@JCOpUntukIndonesia terima kasih kak atas penjelasannya, jadi maksudnya itu misalnya 8x(3x3) , jdi kata lainnya filter tersebut mampu untuk melakukan filtering pada 8 channel sekaligus ya kak?

[@JCOpUntukIndonesia]

@@PandaKucing-w9g filter itu memang diterapkan pada semua channel sekaligus. Coba lihat deh gambar konvolusi ini. Semoga akhirnya paham. www.google.com/imgres?imgurl=https%3A%2F%2Findoml.files.wordpress.com%2F2018%2F03%2Fconvolution-with-multiple-filters2.png&tbnid=WR0qF9zTPDyS5M&vet=1&imgrefurl=https%3A%2F%2Findoml.com%2F2018%2F03%2F07%2Fstudent-notes-convolutional-neural-networks-cnn-introduction%2F&docid=8M9rULN-9e_cDM&w=979&h=469&source=sh%2Fx%2Fim%2Fm1%2F2&shem=uvafe2 Jadi ukuran kernel / filter itu berupa balok 3 dimensi gitu.

[@PandaKucing-w9g]

@@JCOpUntukIndonesia setelah melihat gambar, saya menyimpulkan kalau sebenarnya channel awal itu tidak berpengaruh ke konvolusi selanjutnya ya, channel hanya berpengaruh untuk lapisan filternya saja sedangkan channel untuk konvolusi selanjutnya itu berpengaruh pada jumlah filter yang digunakan sebelumnya Meskipun input awal 3channel RGB difilter sebanyak 8 filter hasilnya akan ada 8 channel saja karena 3 channel itu diproses dengan filter 3 lapis juga ya mas

[@JCOpUntukIndonesia]

@@PandaKucing-w9g betul

[@putriadeliarahmasari8606]

kak boleh minta file materinya ngak?

[@JCOpUntukIndonesia]

github.com/wiradkp/deep_learning

[@putriadeliarahmasari8606]

@@JCOpUntukIndonesia terima kasih kak, kak mau tanya juga metode ini juga bisa ngak untuk prediksi tindakan manusia kalau yg di bahas kan semua nya dalam bentuk gambar 2D ya kalau dalam bentuk video 3D juga sama ngak urutan cara metode nya?

[@JCOpUntukIndonesia]

@@putriadeliarahmasari8606 agak berbeda dan jauh lebih kompleks untuk itu.

[@putriadeliarahmasari8606]

@@JCOpUntukIndonesia ada recomen channel video yg jelasi ttg itu ngak kak ya , butuh banget soalnya untuk skripsi udah lama pelajari metode ini untuk 3d tapi masih belum paham

[@JCOpUntukIndonesia]

@@putriadeliarahmasari8606 Coba search tentang 3d CNN kalau untuk klasifikasi video. Untuk channel saya kurang tau kak.

[@KAPISTA]

Maksud dari overfit ini apa ya kak? 1:07:39

[@JCOpUntukIndonesia]

Kalau belum familiar dengan overfit... Kayaknya Kapista perlu mulai dulu dari course 2. Atau ga mungkin bisa coba mulai dari Course 5 dulu (Pengantar untuk Neural Network) dan disana harusnya sudah paham tentang risiko overfitting ketika fitur kita terlalu banyak

[@KAPISTA]

@@JCOpUntukIndonesia siapp kak, sukses terus kak wira, semoga tidak pernah bosan memberikan edukasi yang gratis hehehe

[@JCOpUntukIndonesia]

@@KAPISTA thanks juga dukungannya ya

[@lindahfw286]

Bang mau minta nama ig atau WA nya? Sy punya pertayaan bang.. Mudah"han saya bisa di bantu :(

[@JCOpUntukIndonesia]

Silahkan coba hubungi saya melalui email. Email saya ada di kolom 'About' channel ini

[@lindahfw286]

@@JCOpUntukIndonesia baik.. Makaish bang