Capstone Deep Learning — starter tim

Template repositori tim untuk Capstone Deep Learning: Satu Kasus, Lima Keluarga Model (Program Studi Sains Data ITERA, Data Science Workbench). Satu tim = satu repositori yang dibuat dari template ini; setiap anggota memiliki satu keluarga model dan satu folder.

Kasus dan dataset tiap tim berbeda. Keduanya ditetapkan tim pengajar (dosen pengampu bersama pembimbing) dan tercatat di kartu Kasus tim pada Papan Tim Workbench beserta tautan datasetnya. Starter ini tidak memuat dataset apa pun; yang dibakukan adalah cara mengevaluasi dan melaporkan, sehingga lima model tim dibandingkan secara adil dan hasilnya dapat direproduksi.

Struktur

src/common/        milik starter — jangan diubah: evaluate (penilai), split (split beku), manifest (data_hash), baseline
src/protokol/      milik tim, DIBEKUKAN setelah Sprint 0 dengan persetujuan pembimbing: data.py (pemuat kasus tim), PROTOKOL.md
data/              dataset kasus tim (tidak di-commit; lihat data/MANIFEST.json)
models/<nim>/      milik satu anggota — kode model, run.py
results/<nim>/     berkas hasil anggota: pred_val.npy, pred_test.npy, metrics.json
reports/individu/<nim>.md   laporan perorangan (≤ 1200 kata)
reports/tim.md     laporan tim (6 bagian)
AI_LOG.md          catatan pemakaian AI tim
run_all.py         satu perintah: jalankan semua model dan rakit tabel komparasi

Sprint 0: membekukan protokol tim

Penjaga Data & Evaluasi mengerjakan ini bersama tim, lalu meminta persetujuan pembimbing lewat pull request ke main:

1. Unduh dataset dari tautan di kartu Kasus tim ke data/ (folder ini tidak di-commit). Isi data/MANIFEST.json dengan tautan sumber dan daftar berkas; src.common.manifest menghitung data_hash dari isi berkas itu, sehingga semua anggota memakai data yang sama.

2. Isi src/protokol/data.py: fungsi muat() mengembalikan X_train, y_train, X_val, y_val, X_test, y_test memakai split beku dari src.common.split (seed 2026). Contoh lengkap untuk Fashion-MNIST ada di src/protokol/contoh_fashion_mnist.py.

3. Tulis src/protokol/PROTOKOL.md: jenis tugas (klasifikasi atau regresi), metrik utama, ukuran split, anggaran komputasi, dan aturan evaluasi data uji (sekali, di sprint terakhir).

4. Jalankan baseline untuk memastikan jalur evaluasi hidup:

   pip install -r requirements.txt
   python -m src.common.baseline --seed 2026

   Hasilnya di results/baseline/metrics.json: batas bawah yang harus dilampaui setiap model.

Setelah pull request protokol digabung, src/protokol/ tidak diubah lagi sampai akhir; perubahan hanya lewat pull request yang disetujui pembimbing.

Sprint 1 dan seterusnya: model tiap anggota

1. Salin models/TEMPLATE/ menjadi models/<nim>/, isi run.py sesuai models/README.md.

2. Jalankan tiga seed pada konfigurasi akhir:

   python models/<nim>/run.py --seed 1 && python models/<nim>/run.py --seed 2 && python models/<nim>/run.py --seed 3

   Setiap run menulis results/<nim>/metrics.json lewat src.common.evaluate; Local Runner memeriksanya (skema metrik/seed/data_hash, isi sama dengan HEAD) saat Periksa artefak ditekan di aplikasi DSWorkbench.

3. Perintah reproduksi tim (dinilai pada sprint terakhir): python run_all.py.

Yang dibakukan untuk semua tim

• Split latih/validasi beku dari data latih dengan seed 2026 (src/common/split.py); data uji hanya dievaluasi sekali oleh Penjaga Data pada sprint terakhir (--final).
• Metrik: klasifikasi → akurasi dan macro-F1; regresi → RMSE, MAE, R². Metrik utama ditulis di PROTOKOL.md. Hasil konfigurasi akhir dilaporkan sebagai rerata ± simpangan baku dari 3 seed.
• Anggaran komputasi ≤ 20 menit pelatihan per run di CPU laptop (atau sesuai yang disetujui pembimbing untuk kasus tim); catat --durasi dan --perangkat.
• data_hash dihitung dari berkas di data/MANIFEST.json dan split; jangan diisi manual.

Jalur model

Jalur	Keluarga	Modul
cnn	CNN (1D/2D sesuai data)	05
tl	Transfer learning / fine-tuning model pralatih	06
rnn	RNN → LSTM/GRU	07–08
trf	Transformer encoder	09
ae	Autoencoder → representasi untuk klasifikasi/regresi/anomali	—

Pembimbing boleh menyesuaikan pilihan jalur dengan sifat data kasus tim. Syarat semua model: optimizer dengan alasan tertulis, ≥ 1 regularisasi, tuning hyperparameter dengan catatan pencarian, ≥ 2 ablation, 3 seed pada konfigurasi akhir.

Lisensi: MIT. Repo ini masuk Galeri Capstone sebagai portofolio setelah semester berakhir.