Onnowpurbo: Created page with "Keras adalah antarmuka high-level dari '''TensorFlow''' yang memudahkan kita dalam membangun '''Neural Network (NN)''' tanpa harus menulis kode tingkat rendah. Dengan Keras, k..."

2025-03-11T02:57:28Z

Created page with "Keras adalah antarmuka high-level dari '''TensorFlow''' yang memudahkan kita dalam membangun '''Neural Network (NN)''' tanpa harus menulis kode tingkat rendah. Dengan Keras, k..."

New page

Keras adalah antarmuka high-level dari '''TensorFlow''' yang memudahkan kita dalam membangun '''Neural Network (NN)''' tanpa harus menulis kode tingkat rendah. Dengan Keras, kita bisa membuat model dengan beberapa baris kode.

=='''1. Instalasi TensorFlow'''==
Jika belum terinstal, jalankan perintah berikut:

pip install tensorflow

Lalu, kita bisa mengimpor TensorFlow dan Keras:

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

=='''2. Membuat Model Neural Network Sederhana'''==
Kita bisa membangun model '''Sequential''' yang paling umum digunakan.

model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=(10,)), # Layer pertama dengan 64 neuron
layers.Dense(32, activation='relu'), # Hidden layer dengan 32 neuron
layers.Dense(1, activation='sigmoid') # Output layer (sigmoid untuk binary classification)
])

# Menampilkan struktur model
model.summary()

=='''3. Mengompilasi Model'''==
Sebelum melatih model, kita perlu mengompilasinya dengan menentukan '''loss function, optimizer, dan metrics'''.

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

=='''4. Melatih Model dengan Data Buatan'''==
Sekarang, kita buat data acak untuk melatih model ini.

import numpy as np

# Data latih (1000 sampel, 10 fitur)
X_train = np.random.rand(1000, 10)
y_train = np.random.randint(0, 2, 1000) # Label binary (0 atau 1)

# Melatih model
model.fit(X_train, y_train, epochs=10, batch_size=32)

=='''5. Memprediksi Data Baru'''==
Setelah dilatih, kita bisa melakukan prediksi dengan model kita.

X_new = np.random.rand(5, 10) # 5 sampel baru
predictions = model.predict(X_new)
print(predictions)

=='''6. Contoh Model yang Lebih Kompleks'''==
Jika kita ingin membangun '''deep neural network''' yang lebih kompleks, kita bisa menggunakan API `Functional`.

inputs = keras.Input(shape=(10,))
x = layers.Dense(128, activation='relu')(inputs)
x = layers.Dense(64, activation='relu')(x)
x = layers.Dense(32, activation='relu')(x)
outputs = layers.Dense(1, activation='sigmoid')(x)

model = keras.Model(inputs=inputs, outputs=outputs)

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

model.summary()

=='''7. Membangun Model untuk Klasifikasi Multi-Kelas'''==
Jika kita ingin membangun model untuk '''klasifikasi multi-kelas (contoh: 3 kelas)''', kita bisa menggunakan '''softmax''' sebagai aktivasi output.

model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=(10,)),
layers.Dense(32, activation='relu'),
layers.Dense(3, activation='softmax') # 3 output classes
])

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

# Data dummy untuk multi-kelas
y_train = np.random.randint(0, 3, 1000) # Label dari 0, 1, atau 2

model.fit(X_train, y_train, epochs=10, batch_size=32)

=='''8. Model untuk Prediksi Data Numerik (Regresi)'''==
Jika target adalah '''nilai numerik''', kita pakai '''activation linear''' dan '''loss MSE'''.

model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=(10,)),
layers.Dense(32, activation='relu'),
layers.Dense(1) # Tidak ada aktivasi untuk regresi
])

model.compile(optimizer='adam',
loss='mse', # Mean Squared Error untuk regresi
metrics=['mae']) # Mean Absolute Error

y_train = np.random.rand(1000) * 100 # Target nilai antara 0-100

model.fit(X_train, y_train, epochs=10, batch_size=32)

=='''9. Membangun Convolutional Neural Network (CNN) untuk Gambar'''==
Untuk '''image classification''', kita bisa menggunakan '''CNN'''.

model = keras.Sequential([
layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
layers.MaxPooling2D((2,2)),
layers.Conv2D(64, (3,3), activation='relu'),
layers.MaxPooling2D((2,2)),
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(10, activation='softmax') # 10 kelas (misalnya MNIST)
])

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

model.summary()

=='''10. Membuat Recurrent Neural Network (RNN) untuk Data Urutan'''==
Jika kita bekerja dengan data sekuensial (seperti teks atau time series), kita bisa menggunakan '''LSTM'''.

model = keras.Sequential([
layers.Embedding(input_dim=10000, output_dim=128),
layers.LSTM(64, return_sequences=True),
layers.LSTM(32),
layers.Dense(1, activation='sigmoid') # Binary classification
])

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

model.summary()

=='''Kesimpulan'''==
* '''Keras''' memudahkan kita dalam membangun model neural network dengan '''sedikit kode'''.
* Kita bisa membuat model untuk berbagai keperluan:
** '''Binary classification''' (aktivasi `sigmoid` dan loss `binary_crossentropy`).
** '''Multi-class classification''' (aktivasi `softmax` dan loss `sparse_categorical_crossentropy`).
** '''Regression''' (tanpa aktivasi di output, loss `mse`).
** '''Computer vision (CNN)''' untuk '''image classification'''.
** '''Recurrent models (RNN/LSTM)''' untuk '''text atau time-series'''.

Coba eksperimen dengan model di atas dan sesuaikan dengan dataset yang kamu gunakan!

==Pranala Menarik==

* [[TensorFlow]]

TF: TensorFlow menggunakan Keras - Revision history

Onnowpurbo: Created page with "Keras adalah antarmuka high-level dari '''TensorFlow''' yang memudahkan kita dalam membangun '''Neural Network (NN)''' tanpa harus menulis kode tingkat rendah. Dengan Keras, k..."