FLASH PROMO!! BELAJAR DATA SCIENCE ONLINE 6 BULAN 399K
Diskon 89%, Akses 76 Modul Data Science Premium, Metode Praktek Sandbox, Bersertifikat!
SERBU DISINI!
Pendaftaran ditutup dalam 0 Hari 4 Jam 13 Menit 24 Detik 

Perbedaan Epoch & Batch Size pada Deep Learning

Belajar Data Science di Rumah 30-November-2022
https://dqlab.id/files/dqlab/cache/f02e046a74e8d1b1d9710a92a0cd7a39_x_Thumbnail800.jpeg

Jika kamu ingin menggeluti bidang machine learning maka kamu akan menemui beberapa istilah asing yang jarang kamu dengar. Salah satunya ada pada algoritma deep learning berbasis Stochastic Gradient Descent yang ada di dalam penerapan machine learning.  


Ketika kita berhadapan dengan proses training dan testing pada algoritma machine learning pada umumnya terdapat parameter bisa kita tuning, diantaranya adalah Epoch dan Batch Size. Pastinya buat kamu yang belum paham istilah ini akan geleng-geleng kepala dan bingung. 


Namun, sebelum melaju lebih jauh kita perlu tahu bahwa Batch Size maupun Epoch merupakan hyperparameter yang dimiliki oleh algoritma Deep Learning berbasis Gradient Descent. Biar kamu tidak penasaran dengan istilah-istilah berikut, DQLab akan berikan penjelasan sekaligus perbedaan dari Batch dari Epoch pada algoritma Deep Learning. 


Simak penjelasannya melalui artikel berikut ini yuk sahabat DQLab!


1. Sekilas Mengenai Deep Learning

Seperti yang sudah kita singgung sebelumnya, di artikel ini kita akan membahas tentang Deep Learning sebagai bagian dari tipe machine learning. Berdasarkan definisinya, deep learning merupakan subbidang dalam machine learning dimana algoritmanya terinspirasi dari struktur kerja otak manusia. Dewasa ini, deep learning merupakan tipe machine learning yang populer mengundang pasang mata praktisi data dan kalangan developer untuk mengembangkannya. 


Machine Learning

Sumber Gambar : Gigabyte


Hal ini karena teknologi deep learning telah diterapkan dalam berbagai produk berteknologi tinggi seperti self-driving car. Selain itu, ia juga ada di balik produk dan layanan yang kita gunakan sehari-hari. Contohnya antara lain, asisten digital, Google Translate, dan voice-activated device (perangkat cerdas yang bisa diaktifkan dengan suara).


2. Gradient Descent

Gradient Descent adalah algoritma optimasi yang digunakan untuk melatih Deep Learning terutama jaringan saraf tiruan. Optimasi adalah proses pembelajaran dengan teknik pencarian. Tugas algoritma ini dipakai untuk menemukan satu himpunan parameter model internal yang memiliki kinerja yang baik berdasarkan nilai loss function.


Machine Learning


Sumber Gambar: Google


Gradient Descent adalah algoritma untuk mengoptimalkan iteratif yang digunakan pada Machine Learning untuk menemukan hasil yang terbaik (minima kurva). Algoritma iteratif berarti bahwa kita perlu mendapatkan hasilnya berkali-kali untuk mendapatkan hasil yang paling optimal atau bisa dikatakan hampir sempurna. Kualitas iteratif dari Gradient Descent membantu grafik yang tidak dilengkapi untuk membuat grafik sesuai dengan optimal pada data. Algoritma ini sifatnya iteratif. Artinya proses pencarian terjadi pada beberapa tahap, dan setiap tahap diharapkan dapat meningkatkan parameter model.


Setiap iterasi melibatkan penggunaan model dengan himpunan parameter internal saat ini untuk membuat prediksi pada beberapa sampel. Kemudian membandingkan prediksi dengan hasil aktual yang diharapkan, menghitung kesalahan, dan menggunakan kesalahan untuk memperbarui parameter model internal


2. Epoch

Epoch merupakan hyperparameter yang menentukan berapa kali algoritma deep learning bekerja melewati seluruh dataset baik secara forward maupun backward. 

Machine Learning

Sumber Gambar: Google


Dalam istilah yang lebih sederhana. Satu epoch tercapai ketika semua batch telah berhasil dilewatkan melalui jaringan saraf satu kali. Dalam contoh kasus di atas, 1 epoch tercapai ketika 10 batch sampel data training selesai diproses.


Baca Juga: Yuk Kenali Macam-Macam Algoritma Machine Learning


3. Batch Size

Apabila Dataset training berskala besar tersebut perlu dibagi menjadi satu atau lebih batch. Harap dicatat bahwa batch size dan jumlah batch adalah dua hal yang sedikit berbeda. Batch adalah kelompok yang digunakan untuk menggabungkan satu atau lebih sampel data. 

Machine Learning

Sumber Gambar: Google


Sedangkan Batch Size adalah jumlah total sampel data training yang ada di setiap batch. Misalnya, jika kita membagi 1 juta sampel citra tersebut menjadi 10 batch, maka batch size-nya adalah 100 ribu.


4. Perbedaan Epoch dan Batch Size

Dari penjelasan di atas kita dapat mengambil kesimpulan bahwa 

Machine Learning

Sumber Gambar: Google

Batch size: jumlah training sampel yang digunakan dalam satu batch untuk sekali iterasi.


Epoch: sedangkan Epoch adalah jika semua training data kita sudah selesai di train. Satu epoch tercapai ketika semua batch selesai dilewatkan ke jaringan saraf satu kali. Untuk jumlah epoch ini bisa 1 atau lebih.


Baca Juga: Kenali Algoritma Klasifikasi Machine Learning Terpopuler di Tahun 2021


5. Iteration

Iterations adalah jumlah batch yang diperlukan untuk menyelesaikan satu epoch. Katakanlah kita punya 2000 contoh training yang akan kita gunakan, maka kita bisa bagi-bagi dataset dari 2000 tadi menjadi 4 iterasi dengan per satu iterasinya ada 500 contoh untuk menyelesaikan 1 epoch.


Machine Learning

Sumber Gambar: Google


Jadi gimana teman-teman, sudah paham belum terkait perbedaan batch dan epoch? Gimana nih sahabat DQLab, sudah pada tahu kan kedua algoritma ini? Kalau misalnya kamu ingin belajar lebih dalam tentang machine learning, DQLab bisa menjawab solusi kamu. Kamu bisa mulai belajar di DQLab dengan bikin akun gratisnya disini. Setelah bikin akun, langsung deh kamu cobain modul gratis dari kita. Kalau pengen banyak kepo-kepo tentang modulnya, langsung aja yuk buat subscribe menjadi member DQLab Premium. 


Gausah ragu dan bimbang, dapatkan modul-modul terupdate seputar data science dan machine learning yang sesuai dengan real-case industry. Kalian juga bisa bikin portofolio sebagai high value alias dokumen pendukung yang bisa kamu pakai untuk melamar kerja dan mengimplementasikan hasil belajar di DQLab. 


Kamu juga diberikan kesempatan mendapatkan job connector dari perusahaan ternama di ranah industri data. Uniknya kamu bisa langsung apply dari akun kamu loh. So, tunggu apalagi, buruan bikin akunnya secara gratis dengan isi form dibawah ini ya!


Penulis: Reyvan Maulid



Mulai Belajar
Data Science Sekarang
Bersama DQLab

Buat Akun Belajarmu & Mulai Langkah
Kecilmu Mengenal Data Science.

Buat Akun Gratis Dengan :

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/8be7fae4b69abead22aa9296bcab7b4b.jpg Sign-Up dengan Google

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/d0aa879292fb427c0978d2a12b416e98.jpg Sign-Up dengan Facebook

Atau Buat Dengan :