ASINKRONUS - Deep Learning Series Kelas 1: Membangun Model Deep Learning (Dari Pemahaman ke Implementasi Sederhana)

Pelatihan ini dirancang untuk membekali Sobat Geosoftware dengan pemahaman dasar dan keterampilan praktis dalam membangun model Deep Learning untuk menyelesaikan berbagai permasalahan pada data citra. Peserta akan mempelajari konsep fundamental Artificial Intelligence, Machine Learning, dan Deep Learning, termasuk cara kerja neuron, bobot, dan activation function dalam sebuah jaringan saraf. Materi diperkuat dengan pengenalan arsitektur ANN, CNN, dan RNN, serta pemahaman jenis-jenis problem seperti klasifikasi gambar, deteksi objek, dan segmentasi. Selama pelatihan, peserta juga diperkenalkan pada ekosistem pengembangan AI seperti Python, Google Colab, TensorFlow/Keras, dan berbagai tools pendukung lainnya.

Dalam pelatihan ini, peserta akan berlatih secara langsung menggunakan dataset MNIST untuk memahami alur awal membangun model—mulai dari memuat data, melakukan visualisasi, hingga eksplorasi data. Peserta kemudian belajar membangun arsitektur CNN sederhana, melakukan preprocessing data, training model, dan mengevaluasi performanya menggunakan metrik akurasi maupun confusion matrix. Pada tahap lanjutan, materi mencakup teknik fine-tuning melalui augmentasi data, regularisasi seperti dropout dan batch normalization, serta implementasi studi kasus menggunakan dataset CIFAR-10. Peserta juga diperkenalkan pada arsitektur CNN modern seperti ResNet dan EfficientNet sebagai gambaran pengembangan model yang lebih kompleks.

Jadwal dan List Materi:

Sesi 1 — Pengantar AI, ML, dan Deep Learning + Hands-On MNIST

• Pengenalan konsep AI, Machine Learning, dan Deep Learning.
• Cara kerja deep learning: neuron, bobot, dan activation function.
• Arsitektur dasar ANN, CNN, dan RNN.
• Jenis-jenis problem: classification, object detection, segmentation.
• Pengenalan ekosistem pengembangan AI (Python, Jupyter/Colab, VS Code, Anaconda, TensorFlow/Keras).
• Hands-on: load dataset MNIST menggunakan TensorFlow/Keras.
• Visualisasi data (Matplotlib/Plotly).
• Exploratory Data Analysis (EDA) untuk memahami format input model. 

Sesi 2 — Dasar CNN & Implementasi CNN dengan MNIST

• Konsep dasar CNN: convolution layer dan cara filter mengekstraksi fitur.
• Pooling layer: reduksi dimensi tanpa kehilangan informasi penting.
• Fully connected layer: proses klasifikasi berdasarkan fitur.
• Pipeline training CNN: normalisasi, one-hot encoding, dan data preprocessing.
• Membangun model CNN dengan TensorFlow/Keras.
• Training dan evaluasi awal model.
• Hands-on: implementasi CNN untuk MNIST (klasifikasi angka 0–9).
• Evaluasi model menggunakan accuracy & confusion matrix. 

Sesi 3 — Evaluasi CNN Lanjutan, Fine-Tuning & Studi Kasus CIFAR-10

• Evaluasi model lanjutan: accuracy, loss, precision, recall, F1-score.
• Analisis confusion matrix untuk menilai kinerja klasifikasi.
• Fine-tuning model CNN: augmentasi data (flip, rotation, zoom).
• Regularization: dropout, batch normalization untuk mencegah overfitting.
• Studi kasus: klasifikasi gambar CIFAR-10 (dataset berwarna).
• Pengenalan arsitektur CNN lebih kompleks (ResNet, EfficientNet).
• Training model pada dataset CIFAR-10 & analisis hasil.