KamusNgoding
Pemula Deep-learning 6 menit baca

Cara Instalasi PyTorch di Windows dan Mac

#pytorch #python #instalasi #deep learning

Cara Instalasi PyTorch di Windows dan Mac

Pendahuluan

Bayangkan kamu ingin melatih model kecerdasan buatan yang bisa mengenali gambar, memahami teks, atau bahkan memprediksi tren — seperti sistem rekomendasi yang digunakan platform e-commerce lokal. Untuk membangun semua itu, kamu butuh framework deep learning yang andal. Di sinilah PyTorch hadir sebagai pilihan utama jutaan developer dan peneliti di seluruh dunia.

PyTorch adalah library open-source buatan Meta (Facebook) yang dirancang untuk komputasi tensor dan deep learning. Keunggulannya adalah antarmuka yang intuitif, debugging yang mudah, dan komunitas yang sangat aktif. Berbeda dengan TensorFlow yang menggunakan static graph, PyTorch menggunakan dynamic computation graph — artinya kode kamu berjalan baris per baris seperti Python biasa, sehingga lebih mudah dipelajari dan di-debug.

Artikel ini akan memandu kamu mulai dari nol: instalasi Python, setup environment, hingga memverifikasi PyTorch berjalan dengan benar di Windows maupun macOS. Jika sebelumnya kamu sudah pernah belajar cara memanggil API dengan Python melalui artikel Cara Memanggil API LLM dengan Python: Panduan Lengkap Pemula, kamu sudah punya dasar yang cukup kuat untuk melanjutkan ke sini.

Prasyarat dan Konfigurasi Awal

Sebelum menginstal PyTorch, pastikan kamu sudah menyiapkan hal-hal berikut:

1. Python 3.8 atau lebih baru PyTorch mendukung Python 3.8–3.12. Cek versi Python kamu:

# Cek apakah Python sudah terpasang dan tampilkan versinya
python --version

# Output yang diharapkan:
# > Python 3.x.x

Jika belum terinstal, unduh dari python.org dan pastikan centang opsi “Add Python to PATH” saat instalasi di Windows.

2. pip (package manager) pip biasanya sudah terinstal bersama Python. Verifikasi dengan:

# Cek apakah pip sudah terpasang dan bisa digunakan
pip --version

# Output yang diharapkan:
# > pip 24.0 from /path/to/site-packages/pip (python 3.12)

3. Virtual Environment (sangat disarankan) Virtual environment seperti “kotak pasir” tersendiri untuk setiap proyek — paket yang kamu instal tidak akan bentrok dengan proyek lain. Buat virtual environment baru:

# Membuat virtual environment bernama venv-pytorch
python -m venv venv-pytorch

Aktifkan virtual environment:

  • Windows CMD: venv-pytorch\Scripts\activate.bat
  • Windows PowerShell: venv-pytorch\Scripts\Activate.ps1
  • macOS/Linux: source venv-pytorch/bin/activate

Setelah aktif, prompt terminal akan menampilkan (venv-pytorch) di awalnya.

Panduan Instalasi PyTorch di Windows

Langkah 1: Tentukan Konfigurasi Hardware

Kunjungi halaman resmi PyTorch di pytorch.org/get-started/locally dan pilih konfigurasi sesuai sistem kamu:

  • PyTorch Build: Stable
  • OS: Windows
  • Package: pip
  • Language: Python
  • Compute Platform: CPU (untuk laptop biasa) atau CUDA 11.8/12.1 (jika punya GPU NVIDIA)

Situs tersebut akan menghasilkan perintah instalasi yang tepat sesuai konfigurasi kamu.

Langkah 2: Instalasi PyTorch (CPU-only)

Untuk pengguna tanpa GPU NVIDIA, gunakan perintah berikut:

# Instal paket utama PyTorch untuk deep learning (versi CPU)
pip install torch torchvision torchaudio

# Output yang diharapkan:
# > Successfully installed torch-2.x.x torchvision-0.x.x torchaudio-2.x.x ...

Langkah 3: Instalasi PyTorch dengan CUDA (GPU NVIDIA)

Jika kamu punya GPU NVIDIA dan sudah menginstal CUDA Toolkit, gunakan perintah yang dihasilkan situs PyTorch. Contoh untuk CUDA 12.1:

# Cek versi CUDA yang terpasang
nvcc --version

# Output yang diharapkan:
# > nvcc: NVIDIA (R) Cuda compiler driver
# > Cuda compilation tools, release 12.1, V12.1.xxx

# Instal PyTorch dengan dukungan CUDA 12.1
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# Output yang diharapkan:
# > Successfully installed torch-2.x.x+cu121 torchvision-0.x.x+cu121 torchaudio-2.x.x+cu121 ...

Cara cek versi CUDA: buka Command Prompt dan jalankan nvcc --version atau nvidia-smi.

Langkah 4: Verifikasi Instalasi

Buat file test_pytorch.py dan isi dengan kode berikut:

import torch

# Menampilkan versi PyTorch yang sedang digunakan
print("Versi PyTorch:", torch.__version__)

# Mengecek apakah GPU dengan CUDA tersedia
cuda_tersedia = torch.cuda.is_available()
print("CUDA tersedia:", cuda_tersedia)

# Jika GPU tersedia, tampilkan nama GPU; jika tidak, gunakan CPU
if cuda_tersedia:
    print("Nama GPU:", torch.cuda.get_device_name(0))
else:
    print("Berjalan di CPU")

# Membuat tensor sederhana berisi 3 angka desimal
x = torch.tensor([1.0, 2.0, 3.0])
print("Tensor:", x)
print("Shape:", x.shape)

# Operasi dasar pada tensor
y = x * 2
print("Tensor dikali 2:", y)

Jalankan file tersebut:

python test_pytorch.py

# Output yang diharapkan (mode CPU):
# > Versi PyTorch: 2.x.x+cpu
# > CUDA tersedia: False
# > Berjalan di CPU
# > Tensor: tensor([1., 2., 3.])
# > Shape: torch.Size([3])
# > Tensor dikali 2: tensor([2., 4., 6.])

Jika tidak ada error dan semua baris menghasilkan output, instalasi PyTorch di Windows kamu sudah berhasil.

Panduan Instalasi PyTorch di macOS

Langkah 1: Instal Homebrew (jika belum ada)

Homebrew adalah package manager untuk macOS — seperti “App Store”-nya terminal:

# Mengunduh dan menjalankan script instalasi Homebrew dari sumber resmi
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

# Mengecek apakah Homebrew berhasil terpasang
brew --version

# Output yang diharapkan:
# > Homebrew x.x.x

Langkah 2: Instal Python via Homebrew

# Install Python menggunakan Homebrew
brew install python

# Cek apakah Python berhasil terpasang
python3 --version

# Output yang diharapkan:
# > Python 3.x.x

Langkah 3: Buat Virtual Environment

# Membuat virtual environment Python untuk proyek PyTorch
python3 -m venv venv-pytorch

# Mengaktifkan virtual environment
source venv-pytorch/bin/activate

# Memastikan pip tersedia dan aktif di environment ini
python -m pip --version

# Output yang diharapkan:
# > (prompt terminal berubah menjadi: (venv-pytorch) $)
# > pip 23.x atau lebih baru dari .../venv-pytorch/lib/.../site-packages/pip (python 3.x)

Langkah 4: Instalasi PyTorch

Untuk Mac Intel maupun Mac Apple Silicon (M1/M2/M3/M4), perintah instalasinya sama:

# Instal PyTorch, TorchVision, dan TorchAudio
pip install torch torchvision torchaudio

# Output yang diharapkan:
# > Successfully installed torch-2.x.x torchvision-0.x.x torchaudio-2.x.x ...

Mac dengan chip Apple Silicon mendukung akselerasi via MPS (Metal Performance Shaders) — chip M-series bisa digunakan layaknya GPU untuk mempercepat komputasi deep learning.

Langkah 5: Verifikasi Instalasi

Buat file test_pytorch.py dan isi dengan kode berikut:

import torch

# Menampilkan versi PyTorch
print("Versi PyTorch:", torch.__version__)

# Mendeteksi device terbaik yang tersedia
if torch.backends.mps.is_available():
    device = torch.device("mps")    # Mac Apple Silicon
    print("Akselerasi MPS tersedia (Apple Silicon)")
elif torch.cuda.is_available():
    device = torch.device("cuda")   # GPU NVIDIA
    print("CUDA tersedia:", torch.cuda.get_device_name(0))
else:
    device = torch.device("cpu")    # CPU biasa
    print("Berjalan di CPU")

print("Device yang digunakan:", device)

# Membuat tensor dan memindahkannya ke device yang dipilih
x = torch.tensor([1.0, 2.0, 3.0]).to(device)
print("Tensor:", x)

# Operasi dasar pada tensor
y = x * 2
print("Tensor dikali 2:", y)

Jalankan file tersebut:

python test_pytorch.py

# Output yang diharapkan (Mac M1/M2/M3):
# > Versi PyTorch: 2.x.x
# > Akselerasi MPS tersedia (Apple Silicon)
# > Device yang digunakan: mps
# > Tensor: tensor([1., 2., 3.], device='mps:0')
# > Tensor dikali 2: tensor([2., 4., 6.], device='mps:0')

# Output yang diharapkan (Mac Intel):
# > Versi PyTorch: 2.x.x
# > Berjalan di CPU
# > Device yang digunakan: cpu
# > Tensor: tensor([1., 2., 3.])
# > Tensor dikali 2: tensor([2., 4., 6.])

Contoh Kasus Nyata

Setelah PyTorch terinstal, mari coba contoh sederhana: regresi linear — konsep fundamental machine learning untuk memprediksi nilai berdasarkan data.

Bayangkan kamu ingin membangun fitur prediksi harga pengiriman sederhana seperti yang digunakan layanan logistik. Model menerima input jarak (km) dan memprediksi biaya estimasi.

import torch
import torch.nn as nn
import torch.optim as optim

# Data latih:
# x = jarak (km), y = biaya (ribu rupiah)
X = torch.tensor([[10.0], [20.0], [30.0], [40.0], [50.0]])
y = torch.tensor([[15.0], [25.0], [35.0], [45.0], [55.0]])

# Membuat model regresi linear sederhana
class ModelRegresi(nn.Module):
    def __init__(self):
        super().__init__()
        # Layer linear: 1 input dan 1 output
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        return self.linear(x)

# Inisialisasi model, fungsi loss, dan optimizer
model = ModelRegresi()
loss_fn = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.001)

# Proses training selama 1000 epoch
for epoch in range(1000):
    prediksi = model(X)
    loss = loss_fn(prediksi, y)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch + 1) % 200 == 0:
        print(f"Epoch {epoch + 1}/1000 | Loss: {loss.item():.4f}")

# Prediksi untuk data baru
with torch.no_grad():
    jarak_baru = torch.tensor([[60.0]])
    hasil = model(jarak_baru)
    print(f"\nPrediksi biaya untuk 60 km: Rp {hasil.item():.0f} ribu")

# Output yang diharapkan:
# > Epoch 200/1000 | Loss: 0.0423
# > Epoch 400/1000 | Loss: 0.0021
# > Epoch 600/1000 | Loss: 0.0001
# > Epoch 800/1000 | Loss: 0.0000
# > Epoch 1000/1000 | Loss: 0.0000
# > Prediksi biaya untuk 60 km: Rp 65 ribu

Inilah fondasi dari semua model deep learning — mulai dari yang sederhana seperti ini hingga jaringan neural kompleks. Untuk memahami lebih dalam bagaimana neuron bekerja, kamu bisa membaca artikel tentang Pengenalan Struktur Data dan Algoritma untuk Pemula sebagai landasan berpikir komputasional yang kuat.

Troubleshooting: Error yang Sering Muncul

ModuleNotFoundError: No module named ‘torch’

Penyebab: PyTorch diinstal di environment yang berbeda, atau virtual environment belum diaktifkan sebelum menjalankan skrip.

Solusi:

# Aktifkan virtual environment terlebih dulu sesuai sistem operasi

# macOS/Linux:
source venv-pytorch/bin/activate

# Windows CMD:
venv-pytorch\Scripts\activate.bat

# Windows PowerShell:
venv-pytorch\Scripts\Activate.ps1

# Cek apakah torch sudah terpasang di environment yang aktif
pip show torch

# Jika belum terpasang, instal ulang
pip install torch torchvision torchaudio

# Verifikasi
python -c "import torch; print('PyTorch versi:', torch.__version__)"

# Output yang diharapkan:
# > Name: torch
# > Version: 2.x.x
# > PyTorch versi: 2.x.x

CUDA Error: torch.cuda.is_available() mengembalikan False

Penyebab: Versi PyTorch yang terinstal adalah CPU-only, atau driver NVIDIA/CUDA Toolkit belum terinstal dengan benar.

Solusi:

# Cek versi CUDA yang terpasang
nvcc --version

# Output yang diharapkan:
# > Cuda compilation tools, release 12.x, V12.x.xxx

# Hapus PyTorch lama
pip uninstall -y torch torchvision torchaudio

# Instal ulang dengan dukungan CUDA 12.1
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# Verifikasi CUDA terdeteksi
python -c "import torch; print('CUDA tersedia:', torch.cuda.is_available()); print('GPU:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'tidak ada')"

# Output yang diharapkan:
# > CUDA tersedia: True
# > GPU: NVIDIA GeForce RTX xxxx

RuntimeError: MPS backend not available (macOS Apple Silicon)

Penyebab: Versi macOS terlalu lama (MPS membutuhkan macOS 12.3+) atau versi PyTorch belum mendukung MPS.

Solusi:

# Cek versi macOS
sw_vers -productVersion

# Output yang diharapkan:
# > 13.x.x (atau lebih baru dari 12.3)

# Update pip dan PyTorch ke versi terbaru
python3 -m pip install --upgrade pip
python3 -m pip install --upgrade torch torchvision torchaudio

# Verifikasi MPS tersedia
python3 -c "
import torch
print('MPS tersedia:', torch.backends.mps.is_available())
device = 'mps' if torch.backends.mps.is_available() else 'cpu'
x = torch.tensor([1.0, 2.0, 3.0]).to(device)
print('Device:', device)
print('Tensor:', x)
"

# Output yang diharapkan:
# > MPS tersedia: True
# > Device: mps
# > Tensor: tensor([1., 2., 3.], device='mps:0')

pip install lambat atau timeout saat mengunduh PyTorch

Penyebab: File PyTorch berukuran besar (500MB–2GB tergantung versi CUDA), koneksi internet tidak stabil.

Solusi:

# Tambahkan opsi --timeout untuk memberi waktu lebih panjang
pip install torch torchvision torchaudio --timeout 300

# Jika masih lambat, coba dengan mirror alternatif
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

# Verifikasi instalasi berhasil
python -c "import torch; print('Instalasi berhasil! Versi:', torch.__version__)"

# Output yang diharapkan:
# > Instalasi berhasil! Versi: 2.x.x

Pertanyaan yang Sering Diajukan

Apa perbedaan PyTorch dan TensorFlow?

Keduanya adalah framework deep learning yang powerful, tetapi memiliki filosofi berbeda. PyTorch menggunakan dynamic computation graph (define-by-run) yang lebih intuitif dan mudah di-debug, cocok untuk penelitian dan eksperimen. TensorFlow menggunakan static graph yang lebih teroptimasi untuk deployment production. Saat ini, PyTorch lebih populer di akademia, sementara TensorFlow masih banyak digunakan di industri — meskipun perbedaan ini semakin mengecil.

Apakah saya harus punya GPU untuk belajar PyTorch?

Tidak sama sekali! CPU sudah cukup untuk belajar konsep dasar dan menjalankan model-model kecil. GPU menjadi penting saat kamu melatih model besar dengan dataset jutaan data. Untuk belajar, laptop biasa sudah lebih dari cukup. Jika butuh GPU gratis, kamu bisa menggunakan Google Colab atau Kaggle Notebooks yang menyediakan GPU secara cuma-cuma.

Bagaimana cara mengecek apakah instalasi PyTorch sudah benar?

Jalankan perintah berikut di Python:

import torch

# Menampilkan versi PyTorch
print("Versi:", torch.__version__)

# Membuat dan mengoperasikan tensor
x = torch.tensor([1.0, 2.0, 3.0])
y = x + 10
print("Tensor awal:", x)
print("Tensor + 10:", y)

# Output yang diharapkan:
# > Versi: 2.x.x
# > Tensor awal: tensor([1., 2., 3.])
# > Tensor + 10: tensor([11., 12., 13.])

Jika tidak ada error dan semua baris menghasilkan output, instalasi sudah berhasil.

Apakah PyTorch bisa digunakan untuk selain deep learning?

Ya! PyTorch adalah library komputasi tensor berbasis GPU yang serbaguna. Selain deep learning, kamu bisa menggunakannya untuk komputasi numerik berkecepatan tinggi, aljabar linear, optimasi, dan bahkan simulasi ilmiah. Tensor di PyTorch bekerja mirip seperti array NumPy, tapi bisa berjalan di GPU dan mendukung diferensiasi otomatis (autograd).

Versi PyTorch mana yang sebaiknya saya instal?

Selalu instal versi stable (stabil) terbaru yang tertera di halaman resmi pytorch.org. Hindari versi nightly (pengembangan) kecuali kamu membutuhkan fitur eksperimental. Per 2025, versi PyTorch 2.x sudah sangat stabil dan membawa banyak peningkatan performa dibanding versi 1.x.

Kesimpulan

Menginstal PyTorch adalah langkah pertama yang krusial sebelum kamu bisa mulai membangun model deep learning. Di artikel ini, kita sudah mempelajari cara setup virtual environment, instalasi PyTorch di Windows (dengan dukungan CPU dan GPU NVIDIA), instalasi di macOS (termasuk akselerasi Apple Silicon via MPS), cara memverifikasi semuanya berjalan dengan benar, dan mencoba model regresi linear sederhana sebagai pemanasan sebelum masuk ke topik yang lebih dalam.

Selamat belajar dan terus bereksperimen! PyTorch punya ekosistem yang kaya — dan setiap baris kode yang kamu tulis adalah satu langkah lebih dekat menuju kemampuan membangun AI yang sesungguhnya. Jangan ragu untuk menjelajahi artikel-artikel lainnya di KamusNgoding dan terus tumbuhkan rasa ingin tahumu!

Artikel Terkait

python Pengenalan Python: Instalasi dan Hello World deep-learning Membangun Sistem Rekomendasi Musik dengan Python: Tutorial Step-by-Step deep-learning Tutorial TensorFlow untuk Pemula