Kursus Python: Pengembangan Sistem Pengenalan Wajah Berbasis Algoritma Convolutional Neural Network (CNN) Menggunakan Python
Kuasai Pengembangan Sistem Pengenalan Wajah Berbasis Algoritma Convolutional Neural Network (CNN) Menggunakan Python lewat sesi live bareng instruktur. Paket mulai Basic 10 sesi sampai Ultimate 60 sesi (@1,5 jam), menyesuaikan target Anda. Kursus Python ini tersedia juga sebagai training Python maupun pelatihan Python in-house untuk kebutuhan perusahaan.
Silabus
•Sesi 1 (1.5 jam): Pengenalan Python: sejarah, kegunaan, dan ruang lingkup industri
•Sesi 2 (1.5 jam): Instalasi & konfigurasi awal Python
•Sesi 3 (1.5 jam): Mengenal antarmuka (interface) dan navigasi dasar
•Sesi 4 (1.5 jam): Pengaturan preferensi & workspace yang efisien
•Sesi 5 (1.5 jam): Tools & menu utama: fungsi dan penggunaan dasar
•Sesi 6 (1.5 jam): Latihan dasar: membuat project pertama
•Sesi 7 (1.5 jam): Import & export file dasar di Python
•Sesi 8 (1.5 jam): Teknik dasar penyimpanan & manajemen file project
•Sesi 9 (1.5 jam): Studi kasus sederhana: aplikasi Python di dunia kerja
•Sesi 10 (1.5 jam): Review materi dasar & quiz pemahaman
Daftar Kursus Ini
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 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
Pertanyaan yang Sering Diajukan
Apakah kursus Python ini cocok untuk pemula?▾
Materi disusun bertahap mulai dari konsep dasar, sehingga peserta tanpa pengalaman sebelumnya tetap bisa mengikuti dengan pendampingan instruktur.
Bagaimana metode belajarnya?▾
Kelas online live via Zoom dengan instruktur berpengalaman, praktik langsung, serta rekaman sesi yang bisa diputar ulang. Tersedia juga opsi in-house training untuk perusahaan.
Apakah ada project akhir yang bisa dijadikan portofolio?▾
Ya, setiap peserta menyelesaikan mini project end-to-end yang bisa langsung dijadikan portofolio atau bahan skripsi/tesis.
Apakah mendapat sertifikat setelah selesai?▾
Ya, peserta yang menyelesaikan program mendapatkan e-certificate resmi dari Cerdas Inovasi Digital.
Bagaimana cara mendaftar?▾
Klik tombol daftar pada halaman kursus ini atau hubungi admin kami untuk konsultasi jadwal dan paket yang sesuai kebutuhan Anda.
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
Metode Belajar di Cerdas Inovasi Digital
Kelas online live via Zoom bersama instruktur berpengalaman, praktik langsung dengan studi kasus nyata, dan rekaman sesi yang bisa diputar ulang. Tersedia juga paket in-house training untuk kebutuhan perusahaan di seluruh Indonesia.
Hubungi kami untuk konsultasi jadwal dan paket yang paling sesuai dengan kebutuhan Anda.
Kenapa Ambil Kursus Python Ini
Kursus Python ini dirancang untuk yang ingin belajar langsung praktik lewat sesi live bersama instruktur berpengalaman.