# Praktikum Deep Learning - Kelompok 3

Repository ini berisi implementasi tugas dan eksperimen Deep Learning, mencakup perbandingan arsitektur Multi-Layer Perceptron (MLP), teknik regularisasi (Batch Normalization & Dropout), studi kasus pemilihan model (*Model Selection*), serta implementasi Convolutional Neural Network (CNN) pada dataset MNIST.

---

## 📁 Struktur Folder Proyek

Struktur direktori dirapikan secara modular dan terkelompok berdasarkan topik tugas:

```text
kelompok3-deeplearning/
├── .gitignore                      # Konfigurasi file & folder yang diabaikan git
├── requirements.txt                # Daftar pustaka / dependensi Python
├── README.md                       # Dokumentasi utama proyek
├── docs/                           # Dokumentasi dan analisis laporan
│   ├── laporan_akhir.md
│   ├── PRESENTATION.md
│   ├── model_selection.md
│   └── analisis_evaluasi_model_sentimen_gap.md
├── src/                            # Modul reusable / fungsi pembantu bersama
│   ├── __init__.py
│   ├── data_loader.py              # Loader & preprocessor dataset MNIST (MLP & CNN)
│   ├── models.py                   # Definisi arsitektur model (MLP, Regularized MLP, CNN)
│   └── utils.py                    # Callback timer, manajemen folder, plotting helper
├── tasks/                          # Skrip tugas yang dikelompokkan berdasarkan topik
│   ├── mlp/                        # Topik 1: Multi-Layer Perceptron (MNIST)
│   │   ├── 01_mlp_comparison.py    # Eksperimen perbandingan 3 arsitektur MLP
│   │   ├── 02_regularization.py    # Eksperimen regularisasi (BatchNorm + Dropout)
│   │   └── 03_model_selection.py   # Studi kasus pemilihan arsitektur model
│   ├── cnn/                        # Topik 2: Convolutional Neural Network (MNIST)
│   │   ├── 04_cnn_mnist.py         # Baseline CNN vs MLP
│   │   ├── 05_cnn_full_pipeline.py # Pipeline CNN lengkap (Loss/Acc curve, Confusion Matrix)
│   │   ├── 06_cnn_deeper.py        # Eksplorasi kedalaman CNN (2 blok vs 3 blok)
│   │   └── 07_cnn_evaluation.py    # Evaluasi mendalam (per-class metrics, confidence, misclassified)
│   └── nlp_sentiment/              # Topik 3: NLP Analisis Sentimen (Tokopedia)
│       └── 08_sentimen_gap.py      # Klasifikasi sentimen ulasan Tokopedia (GlobalAveragePooling1D)
└── results/                        # Output terorganisir per kelompok tugas
    ├── 01_mlp/
    │   ├── figures/                # Visualisasi grafik MLP & regularisasi
    │   ├── models/                 # Model terlatih MLP (.keras)
    │   └── reports/                # Laporan & ringkasan metrik MLP (.csv)
    ├── 02_cnn/
    │   ├── figures/                # Visualisasi grafik, confusion matrix, error analysis CNN
    │   ├── models/                 # Model terlatih CNN (.keras)
    │   └── reports/                # Classification report (.txt, .csv) & evaluasi CNN
    └── 03_nlp_sentiment/
        ├── figures/                # Distribusi label, kurva training, confusion matrix GAP
        ├── models/                 # Model terlatih sentiment GAP (.keras)
        └── reports/                # Classification report sentimen (.txt)
```

---

## 🚀 Panduan Instalasi & Menjalankan

### 1. Buat dan Aktifkan Virtual Environment

```bash
# Linux / macOS
python3 -m venv .venv
source .venv/bin/activate

# Windows (Command Prompt / PowerShell)
python -m venv .venv
.venv\Scripts\activate
```

### 2. Install Dependensi

```bash
pip install -r requirements.txt
```

### 3. Menjalankan Tugas

#### 🔹 Topik 1: Multi-Layer Perceptron (MLP)
```bash
python tasks/mlp/01_mlp_comparison.py
python tasks/mlp/02_regularization.py
python tasks/mlp/03_model_selection.py
```

#### 🔹 Topik 2: Convolutional Neural Network (CNN)
```bash
python tasks/cnn/04_cnn_mnist.py
python tasks/cnn/05_cnn_full_pipeline.py
python tasks/cnn/06_cnn_deeper.py
python tasks/cnn/07_cnn_evaluation.py
```

#### 🔹 Topik 3: NLP Analisis Sentimen
```bash
python tasks/nlp_sentiment/08_sentimen_gap.py
```

---

## 📊 Ringkasan Hasil Eksperimen

### 1. Perbandingan Arsitektur MLP (Tugas 1)
- **Model A (1 Hidden Layer - 64)**: ~97.06% Akurasi, 50,890 Parameter
- **Model B (2 Hidden Layers - 128 → 64)**: ~97.24% Akurasi, 109,386 Parameter
- **Model C (3 Hidden Layers - 256 → 128 → 64)**: ~97.64% Akurasi, 242,762 Parameter

### 2. Regularisasi pada Model C (Tugas 2)
- Penambahan **Batch Normalization** dan **Dropout (0.3)** terbukti menstabilkan proses training dan menekan *generalization gap* / overfitting pada kurva validasi.

### 3. Keunggulan CNN vs MLP pada MNIST (Tugas 4)
| Metrik | MLP Terbaik (Model C) | CNN Sederhana | Perubahan |
| :--- | :--- | :--- | :--- |
| **Test Accuracy** | 97.64% | **99.03%** | **+1.39%** |
| **Error Rate** | 2.36% | **0.97%** | **-58.9% (relatif)** |
| **Jumlah Parameter** | 242,762 | **121,930** | **-49.8% (lebih efisien)** |
| **Salah Klasifikasi** | 236 / 10,000 | **97 / 10,000** | **139 gambar lebih sedikit** |

---

## 🛠️ Teknologi & Framework
- Python 3.10+
- TensorFlow / Keras
- NumPy & Pandas
- Matplotlib & Seaborn
- XGBoost & Scikit-Learn