Onnowpurbo: /* Kesimpulan */

2025-03-11T00:11:14Z

Kesimpulan

Onnowpurbo: /* 1. Mengecek TensorFlow di Google Colab */

2025-03-11T00:06:11Z

1. Mengecek TensorFlow di Google Colab

Onnowpurbo at 00:04, 11 March 2025

2025-03-11T00:04:28Z

Show changes

Onnowpurbo: Created page with "## Menggunakan TensorFlow di Google Colab TensorFlow adalah pustaka open-source yang digunakan untuk machine learning dan deep learning. Salah satu keuntungan besar menggu..."

2025-03-10T09:49:13Z

Created page with "## **Menggunakan TensorFlow di Google Colab** TensorFlow adalah pustaka open-source yang digunakan untuk machine learning dan deep learning. Salah satu keuntungan besar menggu..."

New page

## **Menggunakan TensorFlow di Google Colab**
TensorFlow adalah pustaka open-source yang digunakan untuk machine learning dan deep learning. Salah satu keuntungan besar menggunakan **Google Colab** adalah bahwa **TensorFlow sudah terpasang secara bawaan**, sehingga tidak perlu menginstalnya secara manual. Kita bisa langsung menggunakannya dengan perintah berikut:

```python
import tensorflow as tf
print(tf.__version__)
```
Kode ini akan menampilkan versi TensorFlow yang sudah terinstal di Google Colab.

---

## **1. Mengecek TensorFlow di Google Colab**
Sebelum menggunakan TensorFlow, kita bisa memastikan bahwa pustaka ini sudah tersedia dengan menjalankan:
```python
import tensorflow as tf

# Cek versi TensorFlow
print("TensorFlow version:", tf.__version__)
```

**Contoh Output (versi bisa berbeda-beda tergantung update terbaru):**
```
TensorFlow version: 2.12.0
```

Jika ingin memastikan bahwa TensorFlow mendukung GPU, kita bisa menjalankan:
```python
print("GPU Available:", tf.config.list_physical_devices('GPU'))
```
Jika Google Colab mendeteksi GPU, outputnya akan menunjukkan informasi GPU yang tersedia.

---

## **2. Mengecek Apakah Google Colab Menggunakan GPU atau CPU**
Google Colab menyediakan dukungan **GPU dan TPU** untuk mempercepat komputasi deep learning. Kita bisa mengecek apakah Colab menggunakan GPU dengan:

```python
import tensorflow as tf

# Cek apakah menggunakan GPU
if tf.config.list_physical_devices('GPU'):
print("GPU is available! 🚀")
else:
print("Using CPU only")
```

Jika ingin melihat detail GPU yang digunakan:
```python
!nvidia-smi
```

Jika ingin menggunakan TPU:
```python
import tensorflow as tf
try:
tpu = tf.distribute.cluster_resolver.TPUClusterResolver()
print("TPU Available! 🚀")
except ValueError:
print("No TPU found, using CPU/GPU.")
```

---

## **3. Membuat Model Sederhana dengan TensorFlow**
Karena TensorFlow sudah terpasang di Colab, kita bisa langsung membuat model deep learning tanpa perlu instalasi tambahan.

### **Contoh: Model Jaringan Neural Sederhana**
```python
import tensorflow as tf
from tensorflow import keras
import numpy as np

# Dataset contoh (data dummy)
x_train = np.random.rand(1000, 10)
y_train = np.random.randint(2, size=(1000, 1))

# Membuat model
model = keras.Sequential([
keras.layers.Dense(64, activation='relu', input_shape=(10,)),
keras.layers.Dense(32, activation='relu'),
keras.layers.Dense(1, activation='sigmoid')
])

# Kompilasi model
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])

# Latih model
model.fit(x_train, y_train, epochs=10, batch_size=32)
```

---

## **4. Menggunakan TensorFlow untuk Machine Learning**
### **Contoh: Menggunakan Dataset MNIST**
Google Colab juga memungkinkan kita untuk langsung menggunakan dataset seperti **MNIST (gambar tulisan tangan 0-9)**.

```python
import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt

# Load dataset MNIST
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# Normalisasi pixel ke skala 0-1
x_train, x_test = x_train / 255.0, x_test / 255.0

# Tampilkan sampel gambar
plt.imshow(x_train[0], cmap='gray')
plt.title(f"Label: {y_train[0]}")
plt.show()

# Membuat model sederhana
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10, activation='softmax')
])

# Kompilasi model
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])

# Latih model
model.fit(x_train, y_train, epochs=5)

# Evaluasi model
test_loss, test_acc = model.evaluate(x_test, y_test)
print("Akurasi model pada data uji:", test_acc)
```

---

## **5. Menggunakan TensorFlow untuk Deep Learning dengan CNN**
TensorFlow juga bisa digunakan untuk **Computer Vision** menggunakan **Convolutional Neural Network (CNN)**.

### **Contoh: CNN untuk Klasifikasi CIFAR-10**
```python
import tensorflow as tf
from tensorflow.keras import layers, models

# Load dataset CIFAR-10
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()

# Normalisasi data
x_train, x_test = x_train / 255.0, x_test / 255.0

# Arsitektur CNN
model = models.Sequential([
layers.Conv2D(32, (3,3), activation='relu', input_shape=(32, 32, 3)),
layers.MaxPooling2D((2,2)),
layers.Conv2D(64, (3,3), activation='relu'),
layers.MaxPooling2D((2,2)),
layers.Conv2D(128, (3,3), activation='relu'),
layers.Flatten(),
layers.Dense(128, activation='relu'),
layers.Dense(10, activation='softmax')
])

# Kompilasi model
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])

# Latih model
model.fit(x_train, y_train, epochs=5, batch_size=64)

# Evaluasi model
test_loss, test_acc = model.evaluate(x_test, y_test)
print("Akurasi model pada data uji:", test_acc)
```

---

## **6. Menyimpan dan Memuat Model TensorFlow**
### **Menyimpan Model**
```python
model.save('my_model')
```
Model ini bisa diunduh ke Google Drive dengan:
```python
from google.colab import files
files.download('my_model')
```

### **Memuat Model**
```python
new_model = tf.keras.models.load_model('my_model')
```

---

## **Kesimpulan**
- **Google Colab sudah memiliki TensorFlow bawaan**, sehingga bisa langsung diimport tanpa instalasi.
- **Colab mendukung CPU, GPU, dan TPU** untuk mempercepat model machine learning.
- **Kita bisa langsung membuat dan melatih model deep learning** dengan dataset seperti **MNIST dan CIFAR-10**.
- **Google Colab memungkinkan menyimpan dan berbagi model dengan mudah**.

Jika kamu ingin langsung mencoba TensorFlow di Google Colab, cukup buka:
🔗 [https://colab.research.google.com](https://colab.research.google.com) 🚀

← Older revision		Revision as of 00:11, 11 March 2025
Line 187:		Line 187:
	Jika ingin langsung mencoba TensorFlow di Google Colab, cukup buka:		Jika ingin langsung mencoba TensorFlow di Google Colab, cukup buka:
	* [https://colab.research.google.com](https://colab.research.google.com) 🚀		* [https://colab.research.google.com](https://colab.research.google.com) 🚀
		+
		+
		+	==Pranala Menarik==
		+
		+	* [[TensorFlow]]

@@ Line 18: / Line 18: @@
 '''Contoh Output (versi bisa berbeda-beda tergantung update terbaru):'''
-  TensorFlow version: 2.12.0
+  TensorFlow version: 2.18.0
 Jika ingin memastikan bahwa TensorFlow mendukung GPU, kita bisa menjalankan:

TF: TensorFlow Colab - Revision history

Onnowpurbo: /* Kesimpulan */

Onnowpurbo: /* 1. Mengecek TensorFlow di Google Colab */

Onnowpurbo at 00:04, 11 March 2025

Onnowpurbo: Created page with "## **Menggunakan TensorFlow di Google Colab** TensorFlow adalah pustaka open-source yang digunakan untuk machine learning dan deep learning. Salah satu keuntungan besar menggu..."

Onnowpurbo: Created page with "## Menggunakan TensorFlow di Google Colab TensorFlow adalah pustaka open-source yang digunakan untuk machine learning dan deep learning. Salah satu keuntungan besar menggu..."