# 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 telah dirapikan secara modular sebagai berikut:

```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 tambahan
│   └── model_selection.md          # Analisis justifikasi pemilihan model (Tugas 3)
├── src/                            # Modul reusable / fungsi pembantu
│   ├── __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
├── experiments/                    # Skrip eksperimen & tugas utama
│   ├── 01_mlp_comparison.py        # Tugas 1: Perbandingan 3 arsitektur MLP
│   ├── 02_regularization.py        # Tugas 2: Eksperimen Regularisasi BatchNorm + Dropout
│   ├── 03_model_selection.py       # Tugas 3: Implementasi contoh arsitektur model
│   └── 04_cnn_mnist.py             # Tugas 4: Implementasi CNN MNIST & perbandingan vs MLP
└── results/                        # Output dari eksperimen
    ├── figures/                    # Plot visualisasi (akurasi, loss curve, bar chart)
    │   ├── hasil_cnn.png
    │   └── loss_regularization.png
    └── models/                     # Bobot model terlatih (.keras)
        ├── model_cnn_mnist.keras
        └── model_c_regularized.keras
```

---

## 🚀 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 Eksperimen

Semua skrip eksperimen berada di dalam folder `experiments/`:

- **Eksperimen 1: Perbandingan Arsitektur MLP**
  ```bash
  python experiments/01_mlp_comparison.py
  ```

- **Eksperimen 2: Regularisasi (BatchNorm + Dropout)**
  ```bash
  python experiments/02_regularization.py
  ```

- **Eksperimen 3: Contoh Model Selection (LSTM, CNN, NLP, XGBoost)**
  ```bash
  python experiments/03_model_selection.py
  ```

- **Eksperimen 4: CNN MNIST vs MLP**
  ```bash
  python experiments/04_cnn_mnist.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