Neural Network: Konsep Dasar hingga Implementasi

Kursus singkat “Neural Network dari Dasar hingga Implementasi” merupakan program pembelajaran yang dirancang secara sistematis untuk memperkenalkan konsep dan penerapan jaringan saraf tiruan (Neural Network) dalam dunia nyata. Kursus ini terdiri dari 10 video pembelajaran dengan durasi maksimal 12 menit per video, sehingga cocok diikuti oleh peserta dengan berbagai latar belakang, termasuk mahasiswa, dosen, profesional teknologi, maupun pemula yang tertarik mempelajari dasar-dasar kecerdasan buatan (Artificial Intelligence). Materi kursus disusun secara bertahap, dimulai dari pengenalan konsep dasar Neural Network, sejarah perkembangannya, serta bagaimana ia berbeda dan berhubungan dengan Machine Learning dan Deep Learning. Peserta akan mempelajari struktur dasar jaringan saraf, seperti neuron buatan (perceptron), lapisan-lapisan dalam jaringan (input, hidden, output), serta fungsi aktivasi yang berperan penting dalam proses pembelajaran model. Setelah memahami teori dasar, peserta akan diajak menyelami proses forward propagation dan backpropagation — dua komponen utama dalam pelatihan model Neural Network. Konsep-konsep seperti fungsi loss, gradient descent, dan variasi dalam pembaruan bobot (batch, mini-batch, dan stochastic) akan dibahas secara sederhana namun mendalam, disertai contoh perhitungan manual agar peserta benar-benar memahami mekanismenya. Kursus ini juga memberikan pengalaman langsung dalam membangun model Neural Network. Peserta akan belajar membuat model sederhana dari nol menggunakan Python dan NumPy tanpa library deep learning, lalu membandingkannya dengan pendekatan menggunakan TensorFlow dan Keras. Hal ini bertujuan agar peserta tidak hanya bisa "menggunakan", tetapi juga "memahami" cara kerja di balik layar model yang dibangun. Di bagian optimasi, kursus akan mengulas teknik regularisasi seperti L1 dan L2, serta penggunaan dropout untuk menghindari overfitting. Peserta juga akan diperkenalkan pada strategi tuning hyperparameter, termasuk pemilihan jumlah layer dan neuron, pengaruh learning rate, serta teknik pencarian seperti grid search dan random search. Sebagai penutup, kursus ini menyajikan dua studi kasus nyata dari bidang Computer Vision dan Natural Language Processing (NLP). Peserta akan belajar membangun model Convolutional Neural Network (CNN) untuk klasifikasi gambar, serta memahami bagaimana jaringan seperti RNN atau LSTM digunakan dalam analisis sentimen atau klasifikasi teks. Dengan menyelesaikan kursus ini, peserta tidak hanya akan memiliki pemahaman yang kuat tentang teori Neural Network, tetapi juga kemampuan praktis untuk membangun, melatih, dan menerapkan model pada berbagai permasalahan dunia nyata menggunakan Python.