By /
Training Artificial Neural Network With TensorFlow & Keras

Training Artificial Neural Network With TensorFlow & Keras

Artificial Neural Network (ANN) atau Jaringan Saraf Tiruan merupakan salah satu teknologi dalam bidang Artificial Intelligence (AI) yang dirancang untuk memproses informasi dan mengenali pola data melalui sistem komputasi yang terinspirasi dari cara kerja jaringan saraf manusia.

Seiring dengan perkembangan teknologi Artificial Intelligence, Machine Learning, dan Deep Learning, penggunaan Artificial Neural Network semakin luas dalam berbagai bidang industri, seperti analisis data, pengenalan gambar, otomatisasi proses, sistem prediksi, dan pengembangan aplikasi cerdas.

Training Artificial Neural Network with TensorFlow & Keras dirancang untuk memberikan pemahaman komprehensif mengenai konsep, prinsip, pengembangan, serta implementasi jaringan saraf tiruan menggunakan teknologi TensorFlow dan Keras.

Sasaran Pelatihan

  • Memahami konsep dasar Artificial Neural Network (ANN) dan penerapannya dalam Artificial Intelligence.
  • Memahami penggunaan TensorFlow dan Keras dalam pengembangan model jaringan saraf tiruan.
  • Mampu melakukan pengolahan data untuk kebutuhan pelatihan model Neural Network.
  • Mampu membangun dan melatih model Artificial Neural Network.
  • Memahami proses validasi, pengujian, dan inferensi model.
  • Mampu menyimpan dan memuat kembali model Machine Learning.

Garis Besar Program

BAGIAN 1: DASAR-DASAR ARTIFICIAL NEURAL NETWORK

  1. Pengenalan Keras dan Jaringan Saraf Tiruan
  • Pengolahan data (Processing Data).
  • Membangun dan melatih jaringan saraf tiruan (Building and Training Neural Networks).
  • Validasi dan inferensi model (Validation and Inference).
  • Menyimpan dan memuat model (Saving and Loading Models).
  1. Convolutional Neural Networks (CNN)
  • Pengolahan gambar (Image Processing).
  • Membangun dan melatih model CNN.
  • Menggunakan CNN untuk melakukan inferensi atau prediksi.
  1. Fine-Tuning dan Transfer Learning
  • Pengenalan Fine-Tuning dan model VGG16.
  • Implementasi Fine-Tuning pada model VGG16.
  • Menggunakan model yang telah melalui Fine-Tuning untuk inferensi.
  • Pengenalan MobileNet.
  • Melakukan Fine-Tuning MobileNet menggunakan sebagian data pelatihan.
  1. Topik Tambahan Artificial Neural Network
  • Augmentasi data (Data Augmentation).
  • Implementasi pelabelan gambar menggunakan Keras.
  • Menghasilkan hasil eksperimen yang dapat direproduksi (Reproducible Results).
  • Parameter yang dapat dipelajari oleh model (Learnable Parameters).

BAGIAN 2: IMPLEMENTASI DAN DEPLOYMENT MODEL NEURAL NETWORK

  1. Implementasi Model Menggunakan Flask
  • Pengenalan Flask dan layanan web (Web Services).
  • Membangun aplikasi Flask sederhana dan aplikasi berbasis web.
  • Mengirim dan menerima data menggunakan Flask.
  • Menjalankan dan menyediakan layanan model Neural Network melalui Flask.
  • Membangun aplikasi web Neural Network yang dapat berinteraksi dengan layanan Flask.
  • Mengintegrasikan visualisasi data menggunakan D3, DC, dan Crossfilter.
  • Alternatif akses model Neural Network menggunakan PowerShell dan cURL.
  • Privasi informasi dan perlindungan data (Information Privacy and Data Protection).
  1. Implementasi Model Menggunakan TensorFlow.js
  • Pengenalan jaringan saraf tiruan yang berjalan pada sisi klien (Client-Side Neural Networks).
  • Mengonversi model Keras menjadi model TensorFlow.js (TFJS).
  • Melakukan konfigurasi Node.js dan Express.
  • Membangun antarmuka pengguna (User Interface) untuk aplikasi web Neural Network.
  • Menjalankan model Neural Network menggunakan TensorFlow.js.
  • Mengeksplorasi operasi Tensor melalui pengolahan gambar.
  • Memeriksa operasi Tensor menggunakan Debugger.
  • Memahami teknik Broadcasting Tensors.
  • Efisiensi menjalankan model MobileNet pada browser.

Metode Training 

  • Online Training
  • Offline Training

Target Peserta Training 

  • Pihak – Pihak terkait

Trainer Leadership

  • Andika Bayu Saputra, S.Kom., M.Kom.

Jadwal Public Training

Program Public Training diselenggarakan secara berkala. Jadwal training dapat dipilih berdasarkan kalender Public Training Johnson Indonesia dan dikonfirmasikan kembali kepada peserta sebelum pelaksanaan.

Jadwal Training:

12-13 Januari 2027 14-15 Juli 2027
05–06 Februari 2027 06-07 Agustus 2027
10–11 Maret 2027 01-02 September 2027
06–07 April 2027 14-15 Oktober 2027
18–19 Mei 2027 18-19 November 2026
08–09 Juni 2027 16-17 Desember 2026

Note: Permintaan Training Khusus (Materi, Jadwal & Lokasi Khusus) & Fixed Running – Hubungi Call / WhatsApp: 0815972 5020 

Lokasi Training 

Training dapat diselenggarakan secara offline di Jakarta, Johnson Training Center, hotel, lokasi perusahaan, maupun berbagai kota di Indonesia berdasarkan kebutuhan peserta dan perusahaan. Program juga tersedia dalam format Online Training.

  • Alternatif Hotel: Ciputra Hotel, Ibis Group, Hotel Oria Jakarta, Hotel Holiday Inn, dll (Lokasi Dapat By Request)
  • Lokasi Private Training: Johnson Training Center (Komp. Daan Mogot Baru 3A/10 Jakarta Barat)

Kepastian Lokasi Training akan kami konfirmasi Kembali Kepada Peserta Training

Investasi Training 

  • Offline Training Jakarta: Rp5.950.000/orang untuk 2 hari dengan minimal 3 peserta. Fasilitas meliputi seminar kit, certificate, lunch, snack dan souvenir.
  • Offline Training Luar Jakarta: Rp12.000.000/orang untuk pasti running; Rp8.500.000/orang untuk 1–5 peserta; dan Rp8.000.000/orang untuk lebih dari 5 peserta.
  • Private Onsite Training: Rp8.000.000/orang untuk 2 hari atau Rp5.950.000/orang untuk 1 hari di Johnson Training Center.
  • Online Training: Rp5.500.000/orang untuk 2 hari, pukul 09.00–16.00 WIB.

In-House Training

Johnson Indonesia menyediakan In-House Training bagi perusahaan yang membutuhkan program pengembangan Supervisor, Manager, dan Leader secara khusus. Materi, studi kasus, jadwal, jumlah peserta, serta lokasi training dapat disesuaikan dengan kebutuhan dan kondisi organisasi.

Scroll to Top
Call Us Now