Setelah beberapa episode bicara konsep, sekarang saatnya turun ke alat. Pertanyaan yang dulu bikin saya bingung: mau mulai belajar AI, pakai library apa? scikit-learn? TensorFlow? PyTorch? Terus Hugging Face itu apa, framework atau toko model? Episode ini catatan saya memetakan empat nama besar itu — kapan dipakai apa, dan kenapa saya akhirnya berhenti bingung.
Peta Besar: Empat Lapis Alat
Cara paling gampang mengingat: bayangkan stack seperti dunia web. scikit-learn itu seperti standard library untuk machine learning klasik — API konsisten fit(), predict(), cocok untuk data tabular dan prototyping cepat. TensorFlow dan PyTorch adalah framework deep learning — level lebih rendah, Anda mendesain arsitektur jaringan saraf sendiri. PyTorch dominan di riset dan banyak paper, TensorFlow kuat di ekosistem produksi (TF Serving, TFLite). Hugging Face bukan pesaing ketiganya; ia lapisan di atasnya: hub model pretrained, library transformers/datasets, dan API yang menyatukan semuanya.
Tabel Perbandingan
| Alat | Fokus | Kekuatan | Kapan saya pakai |
|---|---|---|---|
| scikit-learn | ML klasik | API seragam, cepat untuk tabular | Baseline, data tabular, proyek kecil |
| PyTorch | Deep learning | Fleksibel, dominan riset, debugging pythonic | Eksperimen model, ikut tutorial paper |
| TensorFlow/Keras | Deep learning | Ekosistem deployment lengkap | Butuh TFLite/Serving dari awal |
| Hugging Face | Ekosistem model & dataset | Ribuan pretrained model, transformers API | NLP/LLM, fine-tuning, demo cepat |
Instalasi
Selalu pakai virtual environment — jangan pernah install global. Perintah dasar:
python -m venv .venv source .venv/bin/activate # scikit-learn pip install scikit-learn # PyTorch (cek perintah persisnya di pytorch.org sesuai OS/CUDA) pip install torch torchvision # TensorFlow pip install tensorflow # Hugging Face pip install transformers datasets accelerate
Rasa Masing-masing dalam Kode
Contoh scikit-learn melatih classifier dalam lima baris:
from sklearn.datasets import load_iris from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score X, y = load_iris(return_X_y=True) X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=42) clf = RandomForestClassifier(random_state=42) clf.fit(X_tr, y_tr) print(accuracy_score(y_te, clf.predict(X_te)))
Bandingkan dengan Hugging Face yang bisa memakai pipeline siap pakai:
from transformers import pipeline
clf = pipeline("sentiment-analysis")
print(clf("Belajar AI ternyata seru juga!"))
Dua puluh detik sampai model NLP jalan — itulah daya tarik ekosistem HF. Di PyTorch level yang sama butuh definisi model, loop training, dan optimizer manual; lebih verbose tapi Anda paham tiap lapisan.
Saran Jalur Belajar
- Mulai dari scikit-learn untuk memahami konsep ML dasar tanpa terjebak detail GPU.
- Lanjut PyTorch kalau mau serius deep learning — komunitas dan materi belajarnya paling hidup.
- Pelajari Hugging Face bersamaan: transformers, datasets, dan trainer-nya menghemat waktu besar.
- TensorFlow opsional; pelajari kalau target kerja/klien memang ekosistem TF.
Dulu saya mengira harus “memilih kubu”. Kenyataannya mereka koeksis: baseline scikit-learn, eksperimen PyTorch, distribusi model lewat Hugging Face. Pilih alat dari masalah yang mau diselesaikan, bukan dari hype.
Komentar Terbaru