Pemateri
Ozza Dinata
Data Specialist & Instructor at Geosoftware.IDOzza Dinata merupakan Data Specialist dan Instructor di Geosoftware.ID dengan latar belakang pendidikan Geophysical Engineering dari Universitas Lampung. Ia memiliki pengalaman dalam pengolahan dan analisis data serta pengembangan solusi berbasis teknologi dan Artificial Intelligence. Ozza memiliki beberapa sertifikasi profesional, di antaranya Certified GIS Manager/Specialist, Certified Data Scientist, dan Certified Generative AI Professional. Ia juga meraih 1st Place dalam National Science Hackathon oleh PT. Sucofindo melalui pengembangan solusi “Calculation Using Artificial Intelligence for Environmental-based Output”. Sebagai Data Specialist dan Instructor, Ozza aktif berbagi pengetahuan terkait pengolahan data, teknologi GIS, Data Science, dan Artificial Intelligence melalui kegiatan pelatihan di Geosoftware.ID.
Deskripsi
Pelatihan ini dirancang untuk membekali peserta dengan pemahaman dan keterampilan dalam membangun model Deep Learning untuk klasifikasi penyakit daun padi berbasis citra. Peserta akan mempelajari tahapan pengembangan model secara bertahap, mulai dari persiapan lingkungan pemrograman menggunakan Python, pengolahan dan persiapan dataset citra daun padi, pemahaman konsep Computer Vision dan Convolutional Neural Network (CNN), hingga proses training, evaluasi, dan inferensi model.
Pada tahap awal, peserta akan diperkenalkan dengan Python sebagai dasar pemrograman untuk Deep Learning. Materi mencakup instalasi Anaconda, konfigurasi VS Code, pengaturan Python Environment dan Package Management, serta dasar-dasar Python seperti variable, data type, operator, conditional, looping, function, dan module. Peserta juga akan memahami gambaran umum workflow Deep Learning untuk klasifikasi citra, mulai dari tahap persiapan data hingga pengembangan model.
Pada sesi berikutnya, peserta akan mempelajari pengolahan dan persiapan data citra daun padi menggunakan Python. Materi mencakup penggunaan NumPy dan Pandas, konsep dataset citra daun padi dan struktur folder, serta proses membaca dan memvisualisasikan citra. Peserta juga akan mempelajari image labeling, class, dan label untuk klasifikasi penyakit, dilanjutkan dengan preprocessing citra seperti resize dan normalization serta pembagian dataset untuk kebutuhan training dan validation. Peserta juga akan mempraktikkan proses menyiapkan dataset citra daun padi untuk Deep Learning.
Selanjutnya, peserta akan mendalami Computer Vision dan Convolutional Neural Network (CNN) sebagai dasar dalam membangun model klasifikasi penyakit daun padi. Materi mencakup konsep Artificial Intelligence, Machine Learning, dan Deep Learning, pengenalan Computer Vision, Image Classification, serta konsep Neural Network. Peserta juga akan mempelajari CNN, convolution, filter/kernel, pooling, dan feature extraction, arsitektur dasar CNN, hingga workflow klasifikasi penyakit daun padi menggunakan CNN.
Pada tahap akhir, pelatihan difokuskan pada pengembangan, evaluasi, dan inferensi model klasifikasi penyakit daun padi. Peserta akan diperkenalkan dengan TensorFlow dan Keras untuk membangun model CNN, kemudian mempelajari proses training, validation, dan monitoring training. Evaluasi model dilakukan menggunakan Accuracy, Precision, Recall, dan Confusion Matrix, dilanjutkan dengan analisis hasil prediksi dan performa model. Pada tahap akhir, peserta akan mempelajari inferensi model pada citra daun padi baru serta penyimpanan dan penggunaan kembali model yang telah dilatih.
Melalui pelatihan ini, peserta diharapkan dapat memahami alur pengembangan model Deep Learning secara menyeluruh serta memiliki dasar untuk membangun dan menggunakan model klasifikasi penyakit daun padi berbasis citra menggunakan Python, Computer Vision, dan CNN.
Jadwal dan List Materi:
Sesi 1
- Pengenalan Python untuk pengembangan Deep Learning
- Instalasi Anaconda dan konfigurasi VS Code
- Python Environment & Package Management
- Dasar Python: Variable, Data Type, dan Operator
- Conditional, Looping, Function, dan Module
- Pengenalan workflow Deep Learning untuk klasifikasi citra
Sesi 2
- NumPy dan Pandas untuk pengolahan data citra
- Konsep dataset citra daun padi dan struktur folder
- Membaca dan memvisualisasikan citra daun padi menggunakan Python
- Image Labeling, Class, dan Label untuk klasifikasi penyakit
- Preprocessing citra: Resize dan Normalization
- Pembagian dataset untuk Training dan Validation
- Praktik menyiapkan dataset citra daun padi untuk Deep Learning
Sesi 3
- Konsep Artificial Intelligence, Machine Learning, dan Deep Learning
- Computer Vision untuk analisis citra daun padi
- Image Classification untuk mengenali penyakit dan kondisi daun padi
- Konsep Neural Network sebagai dasar pembentukan model
- Pengenalan Convolutional Neural Network (CNN)
- Convolution, Filter/Kernel, Pooling, dan Feature Extraction
- Arsitektur dasar CNN dan workflow klasifikasi penyakit daun padi
Sesi 4
- TensorFlow dan Keras untuk pengembangan model
- Membangun dan melakukan Training model CNN untuk klasifikasi penyakit daun padi
- Validation dan Monitoring Training
- Evaluasi model: Accuracy, Precision, dan Recall
- Confusion Matrix dan analisis hasil klasifikasi
- Analisis hasil prediksi dan performa model
- Inferensi model pada citra daun padi baru
- Penyimpanan dan penggunaan kembali model
Konten
Fundamental Python & Persiapan Deep Learning
Pengolahan & Persiapan Citra Daun Padi
Computer Vision & Convolutional Neural Network
Silabus
01
Silabus Kelas
Akses silabus melalui link berikut: https://s.id/silabusdeeplearning
Frequently Asked Question
Apakah harus sudah bisa Python untuk mengikuti pelatihan ini?
Tidak wajib. Materi dimulai dari fundamental Python yang dibutuhkan untuk Deep Learning, termasuk variable, data type, operator, conditional, looping, function, dan module.
Apakah pelatihan ini cocok untuk pemula di bidang Deep Learning?
Ya. Peserta akan diperkenalkan secara bertahap mulai dari persiapan environment, pengolahan dataset citra, konsep Computer Vision dan CNN, hingga training, evaluasi, dan inferensi model.
Apakah harus sudah memahami Machine Learning atau Deep Learning sebelumnya?
Tidak wajib. Konsep Artificial Intelligence, Machine Learning, Deep Learning, Computer Vision, Neural Network, dan CNN akan diperkenalkan dalam pelatihan.
Apa yang akan dipelajari dalam pelatihan ini?
Peserta akan mempelajari workflow pengembangan model Deep Learning, mulai dari persiapan Python dan dataset citra, preprocessing, pengembangan CNN, training dan validation, evaluasi model, hingga inferensi pada citra baru.
Apakah akan belajar membuat model CNN sendiri?
Ya. Peserta akan mempelajari penggunaan TensorFlow dan Keras untuk membangun serta melakukan training model CNN untuk klasifikasi citra tanaman.
Apakah dataset citra tanaman sudah disediakan?
Pelatihan mencakup praktik menyiapkan dataset citra tanaman, mulai dari struktur dataset, labeling, preprocessing, hingga pembagian dataset untuk training dan validation. Detail dataset yang digunakan mengikuti kebutuhan praktik pelatihan.
Apa saja tools yang digunakan dalam pelatihan?
Pelatihan menggunakan Python, Anaconda, VS Code, NumPy, Pandas, TensorFlow, dan Keras.
Bagaimana cara mengetahui apakah model yang dibuat memiliki performa yang baik?
Peserta akan mempelajari evaluasi model menggunakan Accuracy, Precision, Recall, dan Confusion Matrix, serta melakukan analisis terhadap hasil prediksi model.
Bagaimana jika saya tidak bisa mengikuti sesi secara langsung?
Peserta tetap dapat mengakses rekaman pelatihan sehingga materi dapat dipelajari kembali sesuai kebutuhan.
Apakah peserta mendapatkan sertifikat?
Ya, tersedia dua jenis sertifikat: Certificate of Completion dan Certificate of Appreciation.
Apa syarat mendapatkan Certificate of Completion?
Certificate of Completion diberikan kepada peserta yang minimal menghadiri 2 sesi dari total 4 sesi pelatihan.
Apa syarat mendapatkan Certificate of Appreciation?
Certificate of Appreciation diberikan kepada peserta yang mengerjakan dan mengumpulkan mini project sesuai ketentuan yang ditetapkan.
Kelas Ini Cocok Untuk?
01
Kemampuan Dasar yang Disarankan untuk Peserta:
1. Memiliki ketertarikan pada bidang Artificial Intelligence, Data Science, Computer Vision, atau pengolahan citra. 2. Memahami dasar penggunaan komputer dan pengelolaan file serta folder. 3. Memiliki pengetahuan dasar mengenai Python akan membantu, namun tidak menjadi persyaratan karena dasar Python akan dibahas pada sesi awal. 4. Memiliki pemahaman dasar mengenai data dan citra akan membantu peserta mengikuti proses pengolahan dataset. 5. Memiliki ketertarikan untuk mempelajari Deep Learning dan pengembangan model klasifikasi citra menggunakan Python....
02
Spesifikasi Perangkat yang Disarankan:
1. Processor: Minimal Intel Core i5 / AMD Ryzen 5 atau setara. 2. RAM: Minimal 8 GB, disarankan 16 GB atau lebih untuk mendukung proses pengolahan data dan training model. 3. Storage: Minimal tersedia 20 GB ruang kosong untuk instalasi Anaconda, VS Code, library, dataset, dan model. 4. Sistem Operasi: Windows 10/11, macOS, atau Linux. 5. Software: Anaconda dan Visual Studio Code untuk pengembangan Python dan pengelolaan environment. 6. Internet: Koneksi internet yang stabil untuk instalasi package, mengakses materi, dan kebutuhan pelatihan. 7. Browser: Google Chrome atau Microsoft Edge versi terbaru....
03
CATATAN
Pelatihan ini merupakan kelas yang berfokus pada pembangunan model Deep Learning untuk klasifikasi citra tanaman, mulai dari persiapan Python dan dataset hingga training, evaluasi, dan inferensi model. Peserta tidak diwajibkan memiliki pengalaman sebelumnya dalam Deep Learning atau Convolutional Neural Network (CNN) karena konsep dasar akan diperkenalkan secara bertahap. Pemahaman dasar Python akan menjadi nilai tambah, tetapi materi fundamental Python dan persiapan environment akan dibahas pada sesi pertama....