Instalasi dan Konfigurasi KataGo

Artikel ini akan menjelaskan secara detail cara menginstal KataGo di berbagai platform, termasuk kebutuhan sistem, langkah instalasi, pemilihan model, dan penjelasan file konfigurasi.

Kebutuhan Sistem

Kebutuhan Hardware

GPU (Direkomendasikan)

Jenis GPU	Status Dukungan	Backend yang Disarankan
NVIDIA (CUDA)	Dukungan terbaik	CUDA
NVIDIA (tanpa CUDA)	Dukungan baik	OpenCL
AMD	Dukungan baik	OpenCL
Intel Integrated	Dukungan dasar	OpenCL
Apple Silicon	Dukungan baik	Metal / OpenCL

Mode CPU

Jika tidak ada GPU yang cocok, dapat menggunakan backend Eigen untuk menjalankan dengan CPU murni:

Performa lebih rendah (sekitar 10-30 playouts/sec)
Cocok untuk belajar, testing, dan penggunaan intensitas rendah
Memerlukan dukungan instruksi AVX2 (sebagian besar CPU modern mendukung)

Kebutuhan Software

Sistem Operasi	Persyaratan Versi
Linux	Ubuntu 18.04+, CentOS 7+ atau distribusi modern lainnya
macOS	10.14+ (Mojave atau lebih baru)
Windows	Windows 10 atau lebih baru

Panduan Pemilihan Backend

Instalasi macOS

Metode 1: Homebrew (Direkomendasikan)

Cara instalasi paling sederhana, menangani semua dependensi secara otomatis.

# Instal KataGo
brew install katago

# Konfirmasi instalasi berhasil
katago version

Versi Homebrew secara default menggunakan backend OpenCL, dapat berjalan di Intel Mac dan Apple Silicon.

Metode 2: Kompilasi dari Kode Sumber

Cocok untuk pengguna yang memerlukan opsi kustom atau fitur terbaru.

Instal Dependensi

# Instal CMake dan alat kompilasi
brew install cmake

# Jika menggunakan OpenCL
# macOS sudah memiliki dukungan OpenCL bawaan, tidak perlu instalasi tambahan

Langkah Kompilasi

# Clone kode sumber
git clone https://github.com/lightvector/KataGo.git
cd KataGo/cpp

# Buat direktori kompilasi
mkdir build && cd build

# Atur opsi kompilasi (backend OpenCL)
cmake .. -DUSE_BACKEND=OPENCL

# Kompilasi
make -j$(sysctl -n hw.ncpu)

# Setelah kompilasi selesai, file executable ada di build/katago
./katago version

Catatan Khusus Apple Silicon

Di Mac M1/M2/M3, disarankan menggunakan backend OpenCL atau Metal:

# Backend OpenCL (direkomendasikan, kompatibilitas lebih baik)
cmake .. -DUSE_BACKEND=OPENCL

# Backend Metal (eksperimental, mungkin performa lebih baik)
cmake .. -DUSE_BACKEND=METAL

Instalasi Linux

Metode 1: Versi Precompiled (Direkomendasikan)

Unduh versi precompiled dari GitHub Releases:

# Unduh versi OpenCL (cocok untuk sebagian besar kasus)
wget https://github.com/lightvector/KataGo/releases/download/v1.15.3/katago-v1.15.3-opencl-linux-x64.zip

# Atau unduh versi CUDA (GPU NVIDIA)
wget https://github.com/lightvector/KataGo/releases/download/v1.15.3/katago-v1.15.3-cuda11.1-linux-x64.zip

# Ekstrak
unzip katago-v1.15.3-*.zip

# Berikan izin eksekusi
chmod +x katago

# Konfirmasi instalasi
./katago version

Metode 2: Kompilasi dari Kode Sumber

Backend CUDA (GPU NVIDIA)

# Instal dependensi
sudo apt update
sudo apt install cmake g++ libzip-dev

# Instal CUDA (jika belum terinstal)
# Silakan lihat panduan resmi NVIDIA: https://developer.nvidia.com/cuda-downloads

# Clone dan kompilasi
git clone https://github.com/lightvector/KataGo.git
cd KataGo/cpp
mkdir build && cd build

# Atur backend CUDA
cmake .. -DUSE_BACKEND=CUDA

# Kompilasi
make -j$(nproc)

Backend OpenCL (GPU Universal)

# Instal dependensi
sudo apt update
sudo apt install cmake g++ libzip-dev ocl-icd-opencl-dev

# Instal driver OpenCL
# NVIDIA: terinstal bersama CUDA
# AMD: sudo apt install mesa-opencl-icd
# Intel: sudo apt install intel-opencl-icd

# Clone dan kompilasi
git clone https://github.com/lightvector/KataGo.git
cd KataGo/cpp
mkdir build && cd build

cmake .. -DUSE_BACKEND=OPENCL
make -j$(nproc)

Backend Eigen (CPU Murni)

# Instal dependensi
sudo apt update
sudo apt install cmake g++ libzip-dev libeigen3-dev

# Clone dan kompilasi
git clone https://github.com/lightvector/KataGo.git
cd KataGo/cpp
mkdir build && cd build

cmake .. -DUSE_BACKEND=EIGEN
make -j$(nproc)

Instalasi Windows

Metode 1: Versi Precompiled (Direkomendasikan)

Kunjungi KataGo Releases
Unduh versi yang sesuai:
- katago-v1.15.3-cuda11.1-windows-x64.zip (GPU NVIDIA + CUDA)
- katago-v1.15.3-opencl-windows-x64.zip (GPU lainnya)
- katago-v1.15.3-eigen-windows-x64.zip (CPU murni)
Ekstrak ke direktori yang ditentukan
Test di command prompt:

cd C:\path\to\katago
katago.exe version

Metode 2: Kompilasi dari Kode Sumber

Persiapan Lingkungan

Instal Visual Studio 2019/2022 (termasuk alat C++)
Instal CMake
Jika menggunakan CUDA, instal CUDA Toolkit

Langkah Kompilasi

# Jalankan di Developer Command Prompt

git clone https://github.com/lightvector/KataGo.git
cd KataGo\cpp
mkdir build
cd build

# Backend CUDA
cmake .. -G "Visual Studio 17 2022" -A x64 -DUSE_BACKEND=CUDA

# Atau backend OpenCL
cmake .. -G "Visual Studio 17 2022" -A x64 -DUSE_BACKEND=OPENCL

# Kompilasi
cmake --build . --config Release

Unduh dan Pilih Model

KataGo memerlukan file model neural network untuk dapat berjalan. Resmi menyediakan model dengan berbagai ukuran.

Lokasi Unduh

Halaman unduh model resmi: https://katagotraining.org/

Atau langsung unduh dari server pelatihan:

# Model lebih kecil (cocok untuk testing dan hardware lemah)
curl -L -o kata-b18c384.bin.gz \
  "https://media.katagotraining.org/uploaded/networks/models/kata1/kata1-b18c384nbt-s9996604416-d4316597426.bin.gz"

# Model menengah (direkomendasikan, menyeimbangkan performa dan kecepatan)
curl -L -o kata-b40c256.bin.gz \
  "https://media.katagotraining.org/uploaded/networks/models/kata1/kata1-b40c256-s11840935168-d2898845681.bin.gz"

# Model besar (kemampuan terkuat, memerlukan GPU kuat)
curl -L -o kata-b60c320.bin.gz \
  "https://media.katagotraining.org/uploaded/networks/models/kata1/kata1-b60c320-s11318001920-d2792783831.bin.gz"

Perbandingan Model

Model	Ukuran Jaringan	Ukuran File	Kemampuan	Skenario Cocok
b10c128	10 blocks, 128 channels	~20 MB	Amatir tingkat tinggi	CPU, GPU lemah, testing cepat
b18c384	18 blocks, 384 channels	~140 MB	Level profesional	GPU umum, analisis harian
b40c256	40 blocks, 256 channels	~250 MB	Level super manusia	GPU menengah-tinggi, analisis mendalam
b60c320	60 blocks, 320 channels	~500 MB	Level super manusia teratas	GPU high-end, analisis top

Saran Pemilihan

GPU Anda adalah?
├─ RTX 3080/4080/4090 → b60c320 atau b40c256
├─ RTX 3060/3070 → b40c256 atau b18c384
├─ GTX 1660/2060 → b18c384
├─ GPU entry-level → b18c384 atau b10c128
└─ CPU murni → b10c128

Penjelasan File Konfigurasi Dasar

KataGo menggunakan file konfigurasi format .cfg. Resmi menyediakan contoh file konfigurasi di direktori cpp/configs/.

File Konfigurasi Penting

File	Kegunaan
`gtp_example.cfg`	Contoh konfigurasi mode GTP
`analysis_example.cfg`	Contoh konfigurasi Analysis Engine
`default_gtp.cfg`	Konfigurasi default mode GTP

Item Konfigurasi Inti

# =============
# Pengaturan Neural Network
# =============

# Path file model neural network
# Dapat menggunakan path relatif atau absolut
# model = /path/to/model.bin.gz

# =============
# Pengaturan Pencarian
# =============

# Jumlah kunjungan pencarian maksimum per langkah
# Meningkatkan nilai ini akan meningkatkan kemampuan tapi memperlambat kecepatan
maxVisits = 500

# Waktu berpikir maksimum per langkah (detik)
# 0 berarti tidak terbatas (dikontrol oleh maxVisits)
maxTime = 0

# Jumlah thread yang digunakan per langkah
numSearchThreads = 6

# =============
# Pengaturan Aturan
# =============

# Aturan Go
# chinese = Aturan Tiongkok
# japanese = Aturan Jepang
# korean = Aturan Korea
# tromp-taylor = Aturan Tromp-Taylor
# aga = Aturan AGA
rules = chinese

# Komi
komi = 7.5

# =============
# Pengaturan GPU
# =============

# Nomor GPU yang digunakan (mulai dari 0)
# Multi GPU dapat dipisahkan dengan koma: 0,1,2
# -1 berarti pilih otomatis
nnDeviceIdxs = 0

# Ukuran batch per thread GPU
# Batch lebih besar dapat meningkatkan utilisasi GPU
numNNServerThreadsPerModel = 1

# =============
# Pengaturan Lanjutan
# =============

# Konstanta eksplorasi MCTS
# Nilai lebih besar meningkatkan eksplorasi, lebih kecil meningkatkan eksploitasi
cpuctExploration = 1.0

# Noise Dirichlet pada root node
# Digunakan untuk meningkatkan keragaman eksplorasi
rootNoiseEnabled = true
rootDirichletNoisePruneFactor = 0.25

Contoh Konfigurasi Mode GTP

Buat my_gtp_config.cfg:

# Path model
# model biasanya ditentukan di command line, di sini bisa diabaikan

# Pengaturan pencarian
maxVisits = 1000
numSearchThreads = 4

# Aturan
rules = chinese
komi = 7.5

# Pengaturan GPU
nnDeviceIdxs = 0

# Log
logDir = ./logs
logToStderr = false

Contoh Konfigurasi Analysis Engine

Buat my_analysis_config.cfg:

# Pengaturan pencarian
maxVisits = 500
numSearchThreads = 8

# Pengaturan laporan
# Jumlah variasi maksimum yang dilaporkan setiap analisis
maxMoves = 10

# Aturan (dapat di-override saat panggilan API)
rules = chinese
komi = 7.5

# Pengaturan GPU
nnDeviceIdxs = 0
numNNServerThreadsPerModel = 2

# Fitur analisis
reportAnalysisWinratesAs = BLACK

# Peta kepemilikan
# Setelah diaktifkan dapat memperoleh prediksi kepemilikan setiap titik
analysisOwnership = true

Menjalankan Pertama Kali

Test Mode GTP

# Jalankan mode GTP
katago gtp -model /path/to/model.bin.gz -config /path/to/config.cfg

# Jika tidak ada config, KataGo akan menggunakan nilai default
katago gtp -model /path/to/model.bin.gz

Setelah berhasil dijalankan, masukkan perintah GTP untuk test:

name
= KataGo

version
= 1.15.3

boardsize 19
=

genmove black
= Q16

quit
=

Test Analysis Engine

# Jalankan Analysis Engine
katago analysis -model /path/to/model.bin.gz -config /path/to/config.cfg

Masukkan query JSON:

{"id":"test1","initialStones":[],"moves":[],"rules":"chinese","komi":7.5,"boardXSize":19,"boardYSize":19,"analyzeTurns":[0]}

Benchmark

Test performa hardware Anda:

# Jalankan benchmark
katago benchmark -model /path/to/model.bin.gz

# Tentukan file konfigurasi
katago benchmark -model /path/to/model.bin.gz -config /path/to/config.cfg

Benchmark akan menghasilkan:

Kunjungan pencarian per detik (visits/sec)
Kecepatan inferensi neural network
Pengaturan thread yang disarankan

Troubleshooting Masalah Umum

Terkait GPU

Masalah: Tidak menemukan GPU

# Periksa perangkat OpenCL
clinfo

# Atau list perangkat yang dilihat KataGo
katago gpuinfo

Masalah: Inisialisasi CUDA gagal

Konfirmasi versi CUDA sesuai dengan versi kompilasi KataGo
Perbarui driver GPU
Periksa variabel environment CUDA_PATH

Terkait Memori

Masalah: Memori tidak cukup

# Kurangi penggunaan memori GPU
nnMaxBatchSize = 8  # Default mungkin 16 atau lebih tinggi
nnCacheSizePowerOfTwo = 20  # Kurangi ukuran cache

Terkait Performa

Masalah: Kecepatan terlalu lambat

Konfirmasi menggunakan GPU bukan CPU
Kurangi numSearchThreads
Gunakan model yang lebih kecil
Periksa apakah ada program lain yang menggunakan GPU

Langkah Selanjutnya

Setelah konfigurasi selesai, silakan lanjutkan membaca:

Perintah Umum - Pelajari cara menggunakan KataGo
Arsitektur Kode Sumber - Pahami implementasi internal

Kebutuhan Sistem​

Kebutuhan Hardware​

GPU (Direkomendasikan)​

Mode CPU​

Kebutuhan Software​

Panduan Pemilihan Backend​

Instalasi macOS​

Metode 1: Homebrew (Direkomendasikan)​

Metode 2: Kompilasi dari Kode Sumber​

Instal Dependensi​

Langkah Kompilasi​

Catatan Khusus Apple Silicon​

Instalasi Linux​

Metode 1: Versi Precompiled (Direkomendasikan)​

Metode 2: Kompilasi dari Kode Sumber​

Backend CUDA (GPU NVIDIA)​

Backend OpenCL (GPU Universal)​

Backend Eigen (CPU Murni)​

Instalasi Windows​

Metode 1: Versi Precompiled (Direkomendasikan)​

Metode 2: Kompilasi dari Kode Sumber​

Persiapan Lingkungan​

Langkah Kompilasi​

Unduh dan Pilih Model​

Lokasi Unduh​

Perbandingan Model​

Saran Pemilihan​

Penjelasan File Konfigurasi Dasar​

File Konfigurasi Penting​

Item Konfigurasi Inti​

Contoh Konfigurasi Mode GTP​

Contoh Konfigurasi Analysis Engine​

Menjalankan Pertama Kali​

Test Mode GTP​

Test Analysis Engine​

Benchmark​

Troubleshooting Masalah Umum​

Terkait GPU​

Terkait Memori​

Terkait Performa​

Langkah Selanjutnya​

Kebutuhan Sistem

Kebutuhan Hardware

GPU (Direkomendasikan)

Mode CPU

Kebutuhan Software

Panduan Pemilihan Backend

Instalasi macOS

Metode 1: Homebrew (Direkomendasikan)

Metode 2: Kompilasi dari Kode Sumber

Instal Dependensi

Langkah Kompilasi

Catatan Khusus Apple Silicon

Instalasi Linux

Metode 1: Versi Precompiled (Direkomendasikan)

Metode 2: Kompilasi dari Kode Sumber

Backend CUDA (GPU NVIDIA)

Backend OpenCL (GPU Universal)

Backend Eigen (CPU Murni)

Instalasi Windows

Metode 1: Versi Precompiled (Direkomendasikan)

Metode 2: Kompilasi dari Kode Sumber

Persiapan Lingkungan

Langkah Kompilasi

Unduh dan Pilih Model

Lokasi Unduh

Perbandingan Model

Saran Pemilihan

Penjelasan File Konfigurasi Dasar

File Konfigurasi Penting

Item Konfigurasi Inti

Contoh Konfigurasi Mode GTP

Contoh Konfigurasi Analysis Engine

Menjalankan Pertama Kali

Test Mode GTP

Test Analysis Engine

Benchmark

Troubleshooting Masalah Umum

Terkait GPU

Terkait Memori

Terkait Performa

Langkah Selanjutnya