Biaya Kursus Komputer Jogja Multimedia
Kursus Jasa Python
Kursus Jasa Python

Kursus/Jasa Python | “Pengembangan Sistem Pengenalan Wajah Berbasis Algoritma Convolutional Neural Network (CNN) Menggunakan Python”

Berikut adalah silabus untuk kursus “Pengembangan Sistem Pengenalan Wajah Berbasis Algoritma Convolutional Neural Network (CNN) Menggunakan Python”:


Bagian 1: Pengantar Pengenalan Wajah dan CNN (Sesi 1–10)

Sesi 1: Pengantar Pengenalan Wajah

  • Apa itu pengenalan wajah?
  • Aplikasi pengenalan wajah di dunia nyata
  • Tantangan dalam pengenalan wajah

Sesi 2: Dasar-Dasar Python untuk Machine Learning

  • Instalasi Python dan Anaconda
  • Penjelasan library Python (NumPy, Pandas, Matplotlib)
  • Implementasi dasar manipulasi data

Sesi 3: Pemahaman Dasar Neural Network

  • Apa itu Neural Network?
  • Peran lapisan input, hidden, dan output
  • Aktivasi fungsi (ReLU, Sigmoid, Softmax)

Sesi 4: Pengantar Convolutional Neural Network (CNN)

  • Komponen utama CNN: Convolution, Pooling, Fully Connected Layer
  • Cara kerja CNN dalam pengenalan gambar
  • Perbedaan CNN dengan Neural Network biasa

Sesi 5: Instalasi dan Setup Lingkungan Pengembangan

  • Instalasi library (TensorFlow, Keras, OpenCV)
  • Memahami struktur proyek
  • Instalasi GPU untuk akselerasi (opsional)

Sesi 6: Dataset untuk Pengenalan Wajah

  • Dataset populer: LFW, CelebA, atau dataset kustom
  • Cara mengunduh dan memahami dataset
  • Teknik augmentasi data untuk memperkaya dataset

Sesi 7: Pra-pemrosesan Data

  • Deteksi wajah menggunakan OpenCV (Haar Cascade/SSD/MTCNN)
  • Normalisasi gambar
  • Teknik cropping dan resizing

Sesi 8: Memahami Arsitektur CNN Populer

  • Arsitektur LeNet, AlexNet, dan VGG
  • Studi kasus: Perbandingan hasil dengan dataset wajah
  • Pemahaman layer-layer utama

Sesi 9: Implementasi CNN Sederhana

  • Membuat CNN pertama untuk klasifikasi wajah
  • Memahami hyperparameter: learning rate, batch size, epochs
  • Evaluasi model: Akurasi, precision, recall

Sesi 10: Evaluasi dan Perbaikan Model CNN

  • Analisis overfitting dan underfitting
  • Teknik regulasi: Dropout, batch normalization
  • Visualisasi hasil menggunakan Matplotlib

Bagian 2: Pengembangan Sistem Pengenalan Wajah (Sesi 11–20)

Sesi 11: Implementasi Pre-trained Model

  • Penggunaan model pre-trained (ResNet, MobileNet, Inception)
  • Transfer learning untuk pengenalan wajah
  • Fine-tuning model pre-trained

Sesi 12: Ekstraksi Fitur Wajah

  • Ekstraksi fitur wajah menggunakan CNN
  • Membuat vektor fitur untuk setiap wajah
  • Visualisasi vektor fitur dalam ruang dimensi tinggi

Sesi 13: Face Embeddings dengan Model Pre-trained

  • Penggunaan FaceNet atau DeepFace
  • Pemahaman konsep face embedding
  • Implementasi Python untuk face embedding

Sesi 14: Penerapan Klasifikasi Wajah

  • Implementasi algoritma klasifikasi (SVM/KNN)
  • Evaluasi performa klasifikasi
  • Memperbaiki hasil menggunakan tuning parameter

Sesi 15: Sistem Deteksi Wajah Real-Time

  • Mengintegrasikan OpenCV dengan model CNN
  • Deteksi wajah secara real-time melalui webcam
  • Optimasi kecepatan deteksi

Sesi 16: Penggunaan Bounding Box pada Wajah

  • Membuat bounding box dengan OpenCV
  • Penyesuaian bounding box dengan data ground truth
  • Implementasi bounding box pada dataset kustom

Sesi 17: Dataset Kustom untuk Pengujian

  • Mempersiapkan dataset lokal
  • Labeling data dengan alat (LabelImg atau Labelbox)
  • Pra-pemrosesan dataset untuk CNN

Sesi 18: Augmentasi Data Tingkat Lanjut

  • Teknik augmentasi: rotasi, flipping, cropping
  • Penggunaan library augmentasi seperti Albumentations
  • Evaluasi efek augmentasi pada akurasi model

Sesi 19: Pelatihan Model pada Dataset Kustom

  • Menyusun pipeline pelatihan
  • Melakukan pelatihan dengan dataset kustom
  • Menyimpan dan memuat model terlatih

Sesi 20: Evaluasi Sistem Pengenalan Wajah

  • Metrik evaluasi: ROC curve, confusion matrix
  • Analisis error dengan heatmap
  • Perbaikan sistem berdasarkan hasil evaluasi

Bagian 3: Integrasi dan Pengujian (Sesi 21–30)

Sesi 21: Integrasi Model ke Aplikasi

  • Membuat antarmuka pengguna dengan Streamlit
  • Integrasi model CNN ke aplikasi Python
  • Testing aplikasi dengan data real-time

Sesi 22: Sistem Login Berbasis Pengenalan Wajah

  • Konsep verifikasi wajah
  • Membuat sistem login sederhana
  • Menyimpan data embedding wajah pengguna

Sesi 23: Identifikasi Multiple Wajah

  • Menangani beberapa wajah dalam satu frame
  • Evaluasi performa sistem multi-wajah
  • Penggunaan IoU untuk evaluasi deteksi

Sesi 24: Optimasi Model CNN untuk Mobile

  • Konversi model menggunakan TensorFlow Lite
  • Deployment model pada perangkat mobile
  • Evaluasi performa model di perangkat dengan spesifikasi rendah

Sesi 25: Implementasi Sistem Keamanan Wajah

  • Konsep deteksi wajah untuk akses kontrol
  • Implementasi model untuk kamera keamanan
  • Evaluasi sistem keamanan

Sesi 26: Sistem Pengenalan Wajah di Cloud

  • Hosting model di platform cloud (AWS, Google Cloud)
  • Akses API untuk pengenalan wajah
  • Evaluasi latensi dan kecepatan cloud API

Sesi 27: Penanganan Pencahayaan dan Pose

  • Studi kasus: Wajah dengan pencahayaan buruk
  • Teknik normalisasi pencahayaan
  • Evaluasi sistem pada wajah dengan pose miring

Sesi 28: Robustness Testing

  • Pengujian model dengan noise dan blur
  • Evaluasi terhadap serangan adversarial
  • Teknik pertahanan terhadap serangan adversarial

Sesi 29: Dokumentasi Sistem

  • Menulis dokumentasi teknis
  • Panduan pengguna untuk aplikasi
  • Membuat laporan performa sistem

Sesi 30: Review dan Finalisasi Proyek

  • Review proyek secara menyeluruh
  • Memperbaiki kekurangan pada sistem
  • Presentasi hasil akhir proyek

Bagian 4: Proyek dan Lanjutan (Sesi 31–40)

Sesi 31–35: Proyek Akhir

  • Menyusun proyek akhir berbasis pengenalan wajah
  • Pengembangan aplikasi sesuai kebutuhan pengguna
  • Evaluasi performa proyek secara keseluruhan

Sesi 36–40: Persiapan Publikasi dan Portofolio

  • Membuat publikasi ilmiah dari proyek
  • Menyusun portofolio berbasis GitHub
  • Diskusi peluang pengembangan lebih lanjut
KURSUS KOMPUTER ONLINE DIMANAPUN ANDA BERADA

About Jogja Multimedia

Check Also

Kursus Pelatihan Training Pemrograman Web

Kursus/Pelatihan Pemrograman Web | Training Pemrograman Web Master Class Selama 3 Hari

Silabus Master Class Pemrograman Web (3 Hari, 9:00 – 16:00) ⏳ Durasi: 3 Hari Jam: …

Kursus Pelatihan Training Android Studio

Kursus/Pelatihan Android Studio | Training Android Studio Class Selama 3 Hari

Berikut adalah silabus Android Studio Master Class selama 3 hari (09:00 – 16:00) dengan waktu …

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *